图像的边缘简单来说就是图像中灰度不连续的地方。

1.图像梯度

图像梯度是指图像像素灰度值在某个方向上的变化；图像梯度是图像的一阶导数，实际计算时可以使用差分来近似。

1.1 什么是图像梯度？

图像梯度是一种数学工具，用于描述图像中像素值变化的速度和方向。换句话说，它反映了图像亮度值在空间上的变化率，因此是边缘检测、特征提取和图像分析中常用的重要概念。

1.1.1 图像梯度的定义

给定一幅二维灰度图像 $I(x,y)$，它的梯度是一个向量，定义如下：

$$\nabla I=\left(\frac{\partial I}{\partial x},\frac{\partial I}{\partial y}\right)$$

• $$(\frac{\partial I}{\partial x})$$：图像在 $x$-方向上的变化率（水平梯度）。
• $$(\frac{\partial I}{\partial y})$$：图像在 $y$-方向上的变化率（垂直梯度）。

梯度的大小和方向定义如下：

• 梯度大小（Gradient Magnitude）：
  $$|\nabla I|=\sqrt{{\left(\frac{\partial I}{\partial x}\right)}^2+{\left(\frac{\partial I}{\partial y}\right)}^2}$$
• 梯度方向（Gradient Direction）：
  $$\theta =\arctan \left(\frac{\frac{\partial I}{\partial y}}{\frac{\partial I}{\partial x}}\right)$$

1.1.2 如何计算图像梯度

在离散图像中，梯度的计算通常使用滤波器（卷积核）近似求导数。以下是常见方法：

1. 基本差分（Finite Difference）

利用相邻像素值的差分近似求导数：

• $$(\frac{\partial I}{\partial x}\approx I(x+1,y)-I(x,y))$$
• $$(\frac{\partial I}{\partial y}\approx I(x,y+1)-I(x,y))$$

2. Sobel算子

Sobel算子是一种常用的离散梯度滤波器，使用以下卷积核：

• 水平梯度核（$G_x$）：
  $$\left[\begin{array}{ccc}-1& 0& 1\\ -2& 0& 2\\ -1& 0& 1\end{array}\right]$$
• 垂直梯度核（$G_y$）：
  $$\left[\begin{array}{ccc}-1& -2& -1\\ 0& 0& 0\\ 1& 2& 1\end{array}\right]$$

使用 Sobel 算子计算出的梯度既平滑了噪声，又能准确提取边缘。

3. Scharr算子

Scharr算子是 Sobel 算子的改进版，能更好地处理图像细节。它的权值分布更均匀，适合高精度梯度计算。

4. 拉普拉斯算子

拉普拉斯算子计算的是二阶导数，用于检测图像的变化区域，而不是简单的一阶变化。

1.2 梯度的计算示例

import cv2 as cv
import numpy as np# 加载图像
img = cv.imread('example.jpg', cv.IMREAD_GRAYSCALE)# 计算水平和垂直梯度
grad_x = cv.Sobel(img, cv.CV_64F, 1, 0, ksize=3)  # 水平梯度
grad_y = cv.Sobel(img, cv.CV_64F, 0, 1, ksize=3)  # 垂直梯度# 计算梯度大小
magnitude = cv.magnitude(grad_x, grad_y)# 显示结果
cv.imshow('Original', img)
cv.imshow('Gradient X', cv.convertScaleAbs(grad_x))
cv.imshow('Gradient Y', cv.convertScaleAbs(grad_y))
cv.imshow('Gradient Magnitude', cv.convertScaleAbs(magnitude))
cv.waitKey(0)
cv.destroyAllWindows()

1.3 梯度的应用

1. 边缘检测：
   • 梯度强度大的地方往往是图像边缘，结合阈值可以提取轮廓（如 Canny 边缘检测）。
2. 特征提取：
   • 梯度方向是许多特征描述符（如 SIFT、HOG）的基础。
3. 图像增强：
   • 利用梯度信息可以增强图像的边缘或细节。
4. 运动检测：
   • 梯度变化在时间序列中的对比可以用来检测运动或变化区域。

2.Canny边缘检测

Canny边缘检测是一种经典的多步骤边缘检测算法，由 John F. Canny 在 1986 年提出。它以鲁棒性、高准确性和抗噪性著称，广泛用于图像处理和计算机视觉任务中。

2.1 算法步骤

Canny 边缘检测分为以下几个步骤：

1. 噪声抑制（平滑处理）

• 目标：减少噪声对边缘检测的影响。

• 方法：对图像进行高斯模糊。
  高斯模糊会平滑图像中的细节和噪声，同时保留大的结构边缘。

  公式（高斯滤波器）：
  $$G(x,y)=\frac{1}{2\pi {\sigma }^2}{e}^{-\frac{x^2+y^2}{2{\sigma }^2}}$$
  其中，$\sigma$ 决定平滑程度（模糊核的标准差）。

2. 计算图像梯度

• 目标：找出图像中的边缘，即像素值变化剧烈的区域。

• 方法：使用 Sobel 算子计算水平梯度 ($G_x$) 和垂直梯度 ($G_y$)，然后计算梯度的大小和方向。

  梯度大小（强度）计算公式：
  $$|G|=\sqrt{G_x^2+G_y^2}$$

  梯度方向计算公式：
  $$\theta =\arctan \left(\frac{G_y}{G_x}\right)$$

  • 梯度强度大的地方可能是边缘。
  • 梯度方向用于后续的非极大值抑制。

3. 非极大值抑制（Non-Maximum Suppression）

• 目标：精确定位边缘，去除非边缘的噪声响应。

• 方法：

  • 在梯度方向上检查当前像素值是否为局部极大值。
  • 如果不是局部极大值，则将该像素设为 0（非边缘）。

  操作：

  • 将梯度方向分为四个主方向（0°、45°、90°、135°）。
  • 比较当前像素与梯度方向上相邻两个像素的大小。

4. 双阈值边缘检测

• 目标：区分强边缘、弱边缘和非边缘。
• 方法：
  • 设置两个阈值：高阈值 ($T_{high}$) 和低阈值 ($T_{low}$)。
  • 对梯度强度进行分类：
    • 强边缘：梯度强度 $>T_{high}$。
    • 弱边缘：$T_{low}<\text{梯度强度}\le T_{high}$。
    • 非边缘：梯度强度 $leq{T}_{low}$。

5. 边缘连接（Hysteresis Thresholding）

• 目标：确定最终的边缘。
• 方法：
  • 强边缘直接保留。
  • 弱边缘若与强边缘相连，则保留为边缘；否则丢弃。

2.2 Canny 边缘检测的代码实现

import cv2 as cv
import numpy as np# 加载图像（灰度模式）
img = cv.imread('example.jpg', cv.IMREAD_GRAYSCALE)# Canny 边缘检测
edges = cv.Canny(img, threshold1=50, threshold2=150)# 显示结果
cv.imshow('Original Image', img)
cv.imshow('Canny Edges', edges)
cv.waitKey(0)
cv.destroyAllWindows()

2.3 Canny 函数参数详解

cv.Canny(image, threshold1, threshold2, apertureSize=3, L2gradient=False)

1. image：输入图像，必须为灰度图像。
2. threshold1：低阈值，用于区分弱边缘和非边缘。
3. threshold2：高阈值，用于区分强边缘和弱边缘。
4. apertureSize：Sobel 算子的核大小（默认为 3）。常用值：3、5、7。
5. L2gradient：布尔值，是否使用更精确的梯度计算（默认为 False）。
   • 如果为 True，则使用 L2 范数（$\sqrt{G_x^2+G_y^2}$）。
   • 如果为 False，则使用 L1 范数（$|G_x|+|G_y|$）。

2.4 Canny 边缘检测的优点

1. 鲁棒性：可以很好地抵抗噪声，适用于复杂场景。
2. 多步骤处理：包括平滑、梯度计算和非极大值抑制，结果更加精确。
3. 边缘连接：通过双阈值和滞后连接有效去除了孤立的边缘点。

2.5 Canny 边缘检测的缺点

1. 参数敏感：双阈值的选择对结果影响很大，需要手动调整。
2. 计算成本高：多步骤处理增加了算法复杂度，不适合实时性要求高的应用。

2.6 应用场景

1. 边缘检测：
   • 图像分割前的边缘提取。
2. 特征提取：
   • 用于形状识别或物体检测。
3. 运动检测：
   • 对帧差图像进行边缘检测，以识别移动物体的轮廓。