本文實例為大家分享了Python OpenCV實現邊緣檢測的具體代碼，供大家參考，具體內容如下

1. Sobel 算子檢測

Sobel 算子是高斯平滑和微分運算的組合，抗噪能力很強，用途也很多，尤其是效率要求高但對細紋理不是很在意的時候。

對于不連續的函數，有：

假設要處理的圖像為I，在兩個方向求導。

水平變化：用奇數大小的模板對圖像I卷積，結果為Gx。例如，當模板大小為3時，Gx為： 

垂直變化：用奇數大小的模板對圖像I卷積，結果為Gy。例如，當模板大小為3時，Gy為：

在圖像的每個點，結合以上兩個結果，得到： 

極大值的位置是圖像的邊緣。

當核大小為3時，上述Sobel核可能會產生更明顯的誤差。 為了解決這個問題，可以使用 Scharr 函數。這個函數只對大小為 3 的核有效，運算速度和 Sobel 函數一樣快，但是結果更準確。 計算方法為：

cv.Sobel(src, ddepth, dx, dy, dst, ksize, scale, delta, borderType)
參數：
src 傳入的圖像
ddepth 圖像的深度
dx、dy 指求導的階數，0表示這個方向上沒有求導，取值為0、1。
ksize Sobel算子的大小，即卷積核的大小，必須為奇數1、3、5、7，默認為3。-1代表3x3的Scharr算子。
scale 縮放導數的比例常數，默認情況為沒有伸縮系數。
borderType 圖像邊界的模式，默認值為cv.BORDER_DEFAULT。

需要對x和y兩個方向都調用一次cv.Sobel()函數。然后，對每個方向調用cv.convertScaleAbs()函數將其轉回uint8格式，再調用cv2.addWeighted()函數將兩個方向組合起來。

2. Laplacian 算子檢測

Laplacian 使用二階導數來檢測邊緣。 因為圖像是二維的，所以我們需要從兩個方向求導：

不連續函數的二階導數是：

使用的卷積核是：

cv.Laplacian(src, ddepth, ksize)
參數：
src 需要處理的圖像
ddepth 圖像的深度，-1表示采用的是原圖像相同的深度，目標圖像的深度必須大于等于原圖像的深度
ksize 算子的大小，即卷積核的大小，必須為1、3、5、7。

然后，對返回值調用cv.convertScaleAbs(res)即可獲得邊緣圖像。

3.  Canny 邊緣檢測

Canny 邊緣檢測算法由4個步驟組成。

1）去噪。由于邊緣檢測容易受噪聲影響，首先使用5*5高斯濾波器去除噪聲。

2）計算圖像梯度。在平滑圖像上使用 Sobel 算子計算水平和垂直方向的一階導數（Gx 和 Gy）。 根據得到的兩個梯度圖（Gx和Gy）求出邊界的梯度和方向，公式如下：

如果一個像素是一個邊緣，它的梯度方向總是垂直于邊緣。 梯度方向分為四類：垂直方向、水平方向和兩個對角線方向。

3）非極大值抑制。得到梯度的方向和大小后，掃描整個圖像去除那些非邊界點。 檢查每個像素點，看這個點的梯度是否在周圍具有相同梯度方向的點中最大。

A點位于圖像的邊緣。在其梯度變化的方向，選擇像素B和C，檢查A點的梯度是否為極大值。 如果是極大值，則保留，否則A點將被抑制，最后得到的結果是邊緣細的二值圖像。

4）滯后閾值。現在來確定真正的邊界。我們設置了兩個閾值：minVal 和 maxVal。 當圖像的灰度梯度高于 maxVal 時，認為是真正的邊界，低于minVal 的邊界將被丟棄。 如果介于兩者之間，則取決于該點是否連接到確定為真的邊界點。 如果是，則認為是邊界點，如果不是，則將其丟棄。 minVal 較小的閾值將間斷的邊緣連接起來，maxVal 較大的閾值檢測圖像中明顯的邊緣。如下圖： 

A 高于閾值 maxVal，因此它是真正的邊界點。雖然 C 低于 maxVal 但高于 minVal 并與 A 相連，所以它也被視為真正的邊界點。 B 會被丟棄，因為它低于 maxVal ，并且沒有連接到真正的邊界點。 所以，選擇合適的 maxVal 和 minVal 對于獲得好的結果非常重要。

cv.Canny(image, threshold1, threshold2)
參數：
image 灰度圖
threshold1 minval，較小的閾值
threshold2 maxval，較大的閾值

例：使用Sobel、Laplacian、Canny算法檢測下面圖像的邊緣。

import matplotlib
import cv2 as cv
import matplotlib.pyplot as plt
 
font = {
    "family": "Microsoft YaHei"
}
matplotlib.rc("font", **font)
 
img = cv.imread("./image/horse.jpg", 0)
 
# Sobel
x = cv.Sobel(img, cv.CV_16S, 1, 0)
y = cv.Sobel(img, cv.CV_16S, 0, 1)
absx = cv.convertScaleAbs(x)
absy = cv.convertScaleAbs(y)
res = cv.addWeighted(absx, 0.5, absy, 0.5, 0)
plt.imshow(res, cmap=plt.cm.gray)
plt.title("Sobel")
plt.show()
 
# Schaar
x = cv.Sobel(img, cv.CV_16S, 1, 0, ksize=-1)
y = cv.Sobel(img, cv.CV_16S, 0, 1, ksize=-1)
absx = cv.convertScaleAbs(x)
absy = cv.convertScaleAbs(y)
res = cv.addWeighted(absx, 0.5, absy, 0.5, 0)
plt.imshow(res, cmap=plt.cm.gray)
plt.title("Schaar")
plt.show()
 
# Laplacian
res = cv.Laplacian(img, cv.CV_16S)
res = cv.convertScaleAbs(res)
plt.imshow(res, cmap=plt.cm.gray)
plt.title("Laplacian")
plt.show()
 
# Canny
res = cv.Canny(img, 0, 100)
plt.imshow(res, cmap=plt.cm.gray)
plt.title("Canny")
plt.show()

輸出：

以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持腳本之家。