原始图片:
1、Sobel()
Sobel 算子结合了高斯平滑和微分,用于计算图像的梯度,从而突出显示边缘。
import cv2# 读取图像
image = cv2.imread('image.png', cv2.IMREAD_GRAYSCALE)# 使用 Sobel 算子查找水平和垂直边缘
sobel_x = cv2.Sobel(image, cv2.CV_64F, 1, 0, ksize=3)
sobel_y = cv2.Sobel(image, cv2.CV_64F, 0, 1, ksize=3)# 叠加水平和垂直边缘
edges = cv2.addWeighted(cv2.convertScaleAbs(sobel_x), 0.5, cv2.convertScaleAbs(sobel_y), 0.5, 0)# 显示结果
cv2.imshow("Original Image", image)
cv2.imshow("Edges", edges)cv2.waitKey(0)
cv2.destroyAllWindows()
函数原型:
sobel = cv2.Sobel(src, ddepth, dx, dy, ksize, scale, delta, borderType)
参数说明:
- src: 输入图像(单通道,例如灰度图)。
- ddepth: 输出图像的深度(例如
cv2.CV_64F
表示 64 位浮点数)。 - dx: x 方向上的导数阶数(0表示没有导数,1表示一阶导数)。
- dy: y 方向上的导数阶数(与 dx 类似)。
- ksize: Sobel 核的大小,必须是 1, 3, 5 或 7 等奇数。
- scale: 可选值,缩放导数结果,以便调整图像亮度(默认值为 1)。
- delta: 可选值,在存储之前添加到结果中的值(默认值为 0)。
- borderType: 边界类型,用于确定图像边界(默认值为
cv2.BORDER_DEFAULT
)。
2、Scharr()
Scharr 算子是一种改进的 Sobel 算子,适用于增强边缘检测的精度,在正常的 Sobel 核的尺寸上有更好的性能。
scharr_x = cv2.Scharr(src, ddepth, dx, dy, scale, delta, borderType)
参数说明:
- 与
cv2.Sobel()
相同,只是ksize
参数被硬编码为 3。
import cv2
import numpy as np# 读取图像并转换为灰度图
image = cv2.imread('image.png', cv2.IMREAD_GRAYSCALE)# 使用 Scharr 算子计算 x 和 y 方向上的梯度
grad_x = cv2.Scharr(image, cv2.CV_64F, 1, 0)
grad_y = cv2.Scharr(image, cv2.CV_64F, 0, 1)# 将梯度取绝对值并转换为 8 位图像
abs_grad_x = cv2.convertScaleAbs(grad_x)
abs_grad_y = cv2.convertScaleAbs(grad_y)# 合并 x 方向和 y 方向的梯度
scharr = cv2.addWeighted(abs_grad_x, 0.5, abs_grad_y, 0.5, 0)# 显示图像
cv2.imshow('Scharr Edge Detection', scharr)
cv2.waitKey(0)
cv2.destroyAllWindows()
3、Canny()
Canny 边缘检测是一种多级边缘检测算法,效果较为显著,常用来检测图像中的明显边缘。
函数原型:
edges = cv2.Canny(image, threshold1, threshold2, apertureSize, L2gradient)
参数说明:
- image: 输入图像,通常是灰度图。
- threshold1: 较低的阈值,用于边缘检测的滞后阈值过程。
- threshold2: 较高的阈值。
- apertureSize: Sobel 算子的大小,默认值为 3。
- L2gradient: 可选参数,用于计算图像梯度幅值的标志。如果为 True,则使用更精确的 L2 范数计算梯度,否则使用 L1 范数。
-
import cv2# 读取图像并转换为灰度图 image = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)# 使用 Canny 边缘检测 edges = cv2.Canny(image, 100, 200)# 显示图像 cv2.imshow('Canny Edge Detection', edges) cv2.waitKey(0) cv2.destroyAllWindows()
4、Laplacian ()
Laplacian 算子是一种二阶导数算子,用于检测图像中的边缘。
laplacian = cv2.Laplacian(src, ddepth, ksize, scale, delta, borderType)
参数说明:
- src: 输入图像。
- ddepth: 输出图像的深度。
- ksize: Laplacian 算子的大小,必须是正奇数。
- scale: 可选参数,用于缩放导数值,默认值为 1。
- delta: 可选参数,在存储之前添加到结果中的值,默认值为 0。
- borderType: 边界模式,默认值为
cv2.BORDER_DEFAULT
。import cv2 import numpy as np# 读取图像并转换为灰度图 image = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)# 使用 Laplacian 边缘检测 laplacian = cv2.Laplacian(image, cv2.CV_64F)# 将结果转换为 8 位图像 laplacian = cv2.convertScaleAbs(laplacian)# 显示图像 cv2.imshow('Laplacian Edge Detection', laplacian) cv2.waitKey(0) cv2.destroyAllWindows()
5、Prewitt算子
Prewitt 算子是另一种一阶导数算子,可以检测水平和垂直边缘。虽然 OpenCV 没有直接提供 cv2.prewitt()
函数,但可以使用 cv2.filter2D
函数自定义 Prewitt 核来实现。
import cv2
import numpy as np# 读取图像并转换为灰度图
image = cv2.imread('image.png', cv2.IMREAD_GRAYSCALE)# 定义 Prewitt 核
prewitt_kernel_x = np.array([[1, 0, -1],[1, 0, -1],[1, 0, -1]])
prewitt_kernel_y = np.array([[1, 1, 1],[0, 0, 0],[-1, -1, -1]])# 使用 Prewitt 核进行边缘检测
grad_x = cv2.filter2D(image, cv2.CV_64F, prewitt_kernel_x)
grad_y = cv2.filter2D(image, cv2.CV_64F, prewitt_kernel_y)# 计算梯度幅值
abs_grad_x = cv2.convertScaleAbs(grad_x)
abs_grad_y = cv2.convertScaleAbs(grad_y)
prewitt = cv2.addWeighted(abs_grad_x, 0.5, abs_grad_y, 0.5, 0)# 显示图像
cv2.imshow('Prewitt Edge Detection', prewitt)
cv2.waitKey(0)
cv2.destroyAllWindows()
6、Roberts Cross算子
罗伯特交叉算子是一种简单且快速的边缘检测算子,适用于检测图像的对角边缘。OpenCV 中没有直接提供罗伯特交叉算子,但可以通过自定义卷积核实现。
import cv2
import numpy as np# 读取图像并转换为灰度图
image = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)# 定义 Roberts 核
roberts_kernel_x = np.array([[1, 0],[0, -1]])
roberts_kernel_y = np.array([[0, 1],[-1, 0]])# 使用 Roberts 核进行边缘检测
grad_x = cv2.filter2D(image, cv2.CV_64F, roberts_kernel_x)
grad_y = cv2.filter2D(image, cv2.CV_64F, roberts_kernel_y)# 计算梯度幅值
abs_grad_x = cv2.convertScaleAbs(grad_x)
abs_grad_y = cv2.convertScaleAbs(grad_y)
roberts = cv2.addWeighted(abs_grad_x, 0.5, abs_grad_y, 0.5, 0)# 显示图像
cv2.imshow('Roberts Edge Detection', roberts)
cv2.waitKey(0)
cv2.destroyAllWindows()
7、自定义卷积核
还可以通过自定义卷积核来进行边缘检测。
import cv2
import numpy as np# 读取图像并转换为灰度图
image = cv2.imread('image.png', cv2.IMREAD_GRAYSCALE)# 定义自定义卷积核
custom_kernel = np.array([[-1, -1, -1],[-1, 7, -1],[-1, -1, -1]])# 使用自定义卷积核进行边缘检测
custom_edges = cv2.filter2D(image, cv2.CV_64F, custom_kernel)# 将结果转换为 8 位图像
custom_edges = cv2.convertScaleAbs(custom_edges)# 显示图像
cv2.imshow('Custom Kernel Edge Detection', custom_edges)
cv2.waitKey(0)
cv2.destroyAllWindows()
8、基于直方图的边缘检测
基于直方图的方法,通过分析图像的灰度直方图来检测边缘。
import cv2
import numpy as np# 读取图像并转换为灰度图
image = cv2.imread('image.png', cv2.IMREAD_GRAYSCALE)# 计算图像的直方图
hist = cv2.calcHist([image], [0], None, [256], [0, 256])# 找到直方图的峰值
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(hist)# 使用峰值作为阈值进行二值化处理
_, binary = cv2.threshold(image, max_loc[1] - 30, 255, cv2.THRESH_BINARY)# 显示图像
cv2.imshow('Histogram Based Edge Detection', binary)
cv2.waitKey(0)
cv2.destroyAllWindows()
9、adaptiveThreshold()
自适应阈值
自适应阈值可以在照明不均匀的情况下检测边缘。
函数原型:
cv2.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C[, dst])
参数说明:
src
:输入图像,应为灰度图像(单通道)。maxValue
:指定在满足条件时给输出像素赋予的最大值(通常为255)。adaptiveMethod
:自适应方法。可选值有:cv2.ADAPTIVE_THRESH_MEAN_C
:基于邻域均值的自适应阈值化方法。cv2.ADAPTIVE_THRESH_GAUSSIAN_C
:基于邻域加权均值的自适应阈值化方法。
thresholdType
:阈值类型,应为cv2.THRESH_BINARY
或cv2.THRESH_BINARY_INV
。blockSize
:指定用于计算阈值的邻域大小,一般为奇数。C
:从计算的平均值或加权平均值中减去的常数。
import cv2# 读取图像并转换为灰度图
image = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)# 自适应阈值
adaptive_threshold = cv2.adaptiveThreshold(image, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)# 显示图像
cv2.imshow('Adaptive Threshold Edge Detection', adaptive_threshold)
cv2.waitKey(0)
cv2.destroyAllWindows()
10、threshold()
阈值化 (cv2.threshold
)
简单的全局阈值化方法,通过固定的阈值来二值化图像以检测边缘。
import cv2# 读取图像并转换为灰度图
image = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)# 全局阈值化
_, threshold = cv2.threshold(image, 127, 255, cv2.THRESH_BINARY)# 显示图像
cv2.imshow('Global Threshold Edge Detection', threshold)
cv2.waitKey(0)
cv2.destroyAllWindows()