day9 - 对花朵图像进行边缘检测

本期主要介绍常用于进行图像边缘检测的滤波器（算子）：Sobel算子、Scharr算子、Laplacian算子；通过实验比较不同的算子的处理效果以及使用场景。

完成本期内容，你可以：

了解图像梯度的原理和应用
掌握使用Sobel算子、Scharr算子、Laplacian算子进行边缘检测

若要运行案例代码，你需要有：

操作系统：Ubuntu 16 以上或者 Windows10
工具软件：VScode 或者其他源码编辑器
硬件环境：无特殊要求
核心库：python 3.6.13， opencv-contrib-python 3.4.11.39，opencv-python 3.4.2.16

点击下载源码

Sobel算子

OpenCV将Sobel算子封装成了cv2.Sobel()方法。

函数原型： dst = cv2.Sobel( src, ddepth, dx, dy[,ksize[, scale[, delta[, borderType]]]] )
dst为输出图像。

参数描述如下：

dst：目标图像
src：原始图像
ddepth：输出图像的深度
dx：x方向上的求导阶数。
dy：y方向上的求导阶数。
ksize：Sobel核的大小。该值为-1时，则会使用Scharr算子进行运算。
scale：计算导数值时所采用的缩放因子，默认情况下该值是1，是没有缩放的。
delta：加在目标图像dst上的值，该值是可选的，默认为0。
borderType：边界样式

Scharr算子

OpenCV将Scharr算子封装成了cv2.Scharr() 方法。

函数原型： dst = cv2.Scharr( src, ddepth, dx, dy[, scale[, delta[, borderType]]] )
dst为输出图像。

参数描述如下：

dst：目标图像
src：原始图像
ddepth：输出图像的深度
dx：x方向上的求导阶数。
dy：y方向上的求导阶数。
scale：计算导数值时所采用的缩放因子，默认情况下该值是1，是没有缩放的。
delta：加在目标图像dst上的值，该值是可选的，默认为0。
borderType：边界样式

Laplacian算子

OpenCV将Laplacian算子封装成了cv2.Laplacian()方法。

函数原型：dst = cv2.Laplacian( src, ddepth[ , ksize[ , scale[ , delta[ , borderType]]]])

参数描述如下：

ddepth：输出图像深度。
ksize ：核的大小
scale：计算导数值时的缩放因子（可选）。
delta：加到目标图像上的亮度值（可选）。
borderType：边界样式。

具体步骤

1. 创建项目结构

创建项目名为对花朵图像进行边缘检测，项目根目录下新建code文件夹储存代码，新建dataset文件夹储存数据，项目结构如下：

对花朵图像进行边缘检测                    # 项目名称
├── code                               # 储存代码文件
├── dataset                            # 储存数据文件

注：如项目结构已存在，无需再创建。

2. 使用不同的算子进行边缘检测

在 code文件夹下创建edge.py文件；
导入所需的库，OpenCV；
读取dataset文件夹下的flower.png图片，并进行展示,标题为flower ；
分别使用Sobel算子、Scharr算子、Laplacian算子进行图像处理，并展示结果；

步骤一：创建文件并读取图像

代码实现

# 导入OpenCV
import cv2
# 读取图片
o = cv2.imread('../dataset/flower.png')
cv2.imshow('flower',o)

原图像

步骤二：使用Sobel算子进行边缘检测

代码实现

# 使用Sobel算子进行边缘检测
# 计算图像x方向的边缘，输出图像深度为64F
Sobelx = cv2.Sobel(o,cv2.CV_64F,1,0)
Sobelx = cv2.convertScaleAbs(Sobelx)
# 计算图像y方向的边缘，输出图像深度为64F
Sobely = cv2.Sobel(o,cv2.CV_64F,0,1)
Sobely = cv2.convertScaleAbs(Sobely)
# 将x和y方向的梯度图加权相加
Sobelxy = cv2.addWeighted(Sobelx,0.5,Sobely,0.5,0)
cv2.imshow('Sobel',Sobelxy)

使用Sobel算子进行边缘检测后的效果

步骤三：使用Scharrx算子进行边缘检测

代码实现

# 使用Scharrx算子进行边缘检测
# 计算图像x方向的边缘，输出图像深度为64F
Scharrx = cv2.Scharr(o,cv2.CV_64F,1,0)
Scharrx = cv2.convertScaleAbs(Scharrx)
# 计算图像y方向的边缘，输出图像深度为64F
Scharry = cv2.Scharr(o,cv2.CV_64F,0,1)
Scharry = cv2.convertScaleAbs(Scharry)
# 将x和y方向的梯度图加权相加
Scharrxy = cv2.addWeighted(Scharrx,0.5,Scharry,0.5,0)
cv2.imshow('Scharr',Scharrxy)

使用Scharrx算子进行边缘检测后的效果

步骤四：使用Laplacian算子进行边缘检测

代码实现

# 使用Laplacian算子进行边缘检测
# 计算图像图像边缘信息，滤波核的大小为3，输出图像深度为64F
Laplacian = cv2.Laplacian(o,cv2.CV_64F,ksize = 3)
Laplacian = cv2.convertScaleAbs(Laplacian)
cv2.imshow("Laplacian",Laplacian)

使用Laplacian算子进行边缘检测后的效果

步骤五：关闭窗口

代码实现

cv2.waitKey()
cv2.destroyAllWindows()

3. 结果比较

通过比较三种算子进行边缘检测以后的效果，会发现：三种算子均可以满足图像边缘检测的需求，scharr算子较sobel算子提取的细节边缘更多，Laplacian算子提取边缘后的图像亮度更高。

点击下载源码