当前位置：首页 > web >正文

图像边缘检测

web 2025/8/24 8:53:36

一.图像边缘检测

1.图像边缘检测概述

2.Sobel算子原理与实现

3.Scharr算子

4.Laplacian算子

5.Canny边缘检测（重点）

6.效果对比

一.图像边缘检测

1.图像边缘检测概述

2.Sobel算子原理与实现

代码是实现步骤：

边缘检测是图像处理和计算机视觉中的重要工具，用于检测数字图像中的明显变化、边缘或不连续区域。
主要方法包括：Sobel算子、scharr算子，Laplacian算子、Canny算子等。
Sobel算子结合高斯平滑和微分求导，通过局部差分计算梯度近似值。
包含两组3x3矩阵（横向和纵向模板），分别用于水平和垂直方向的边缘检测。
横向检测：用右边像素值减去左边像素值；纵向检测：用下方像素值减去上方像素值。
检测时需分步进行（先横向后纵向），避免同时设置dx=1和dy=1导致结果不理想（线条过细且存在空洞）。
横向检测：
- 使用cv2.Sobel()，设置dx=1、dy=0，数据类型为cv2.CV_64F以保存负数梯度值。
- 对结果取绝对值（cv2.convertScaleAbs）将负数转为正数显示。
纵向检测：
- 设置dx=0、dy=1，同样使用cv2.CV_64F并取绝对值。
融合结果：通过图像加权融合（cv2.addWeighted）将横向和纵向检测结果合并，填补空洞。

import cv2
#1.sobel算子
yuan=cv2.imread('img.png',0)
cv2.imshow('yuan',yuan)
cv2.waitKey(0)
#x方向上的边缘
yuan_x=cv2.Sobel(yuan,-1,dx=1,dy=0)#信息范围（0~255）
cv2.imshow('yuan_x',yuan_x)
cv2.waitKey(0)
yuan_x_64=cv2.Sobel(yuan,cv2.CV_64F,dx=1,dy=0)#信息范围（-1020~1020）
cv2.imshow('yuan_x_64',yuan_x_64)
cv2.waitKey(0)
#x方向上的边缘含负数信息无法显示，所以进行取绝对值操作
yuan_x_full=cv2.convertScaleAbs(yuan_x_64)
cv2.imshow('yuan_x_full',yuan_x_full)
cv2.waitKey(0)
#y方向上的边缘
yuan_y_64=cv2.Sobel(yuan,cv2.CV_64F,dx=0,dy=1)#信息范围（-1020~1020）
cv2.imshow('yuan_y_64',yuan_y_64)
cv2.waitKey(0)
yuan_y_full=cv2.convertScaleAbs(yuan_y_64)
cv2.imshow('yuan_y_full',yuan_y_full)
cv2.waitKey(0)
#图像加权运算组合
yuan_xy_full=cv2.addWeighted(yuan_x_full,1,yuan_y_full,1,0)
cv2.imshow('yuan_xy_full',yuan_xy_full)
cv2.waitKey(0)
cv2.destroyAllWindows()

注意事项：

输入图像需先转换为灰度图。
避免直接使用unit8数据类型（会丢失负数梯度信息），推荐使用cv2.CV_64F。
分步检测后融合的效果优于同时设置dx=1和dy=1。

3.Scharr算子

改进：中心权重更大（中间为10，四角为3），精度更高，但线条更密集（可能包含更多伪边缘）。
代码实现：仅需将Sobel算子中的cv2.Sobel改为cv2.Scharr。

#2.scharr算子
img=cv2.imread('img.png',0)
cv2.imshow('img',img)
cv2.waitKey(0)
img_x_64 = cv2.Scharr(img,cv2.CV_64F,dx=1,dy=0)
img_x_full=cv2.convertScaleAbs(img_x_64)
img_y_64 = cv2.Scharr(img,cv2.CV_64F,dx=0,dy=1)
img_y_full=cv2.convertScaleAbs(img_y_64)
img_xy_full=cv2.addWeighted(img_x_full,1,img_y_full,1,0)
cv2.imshow('img_xy_full',img_xy_full)
cv2.waitKey(0)

4.Laplacian算子

特点：不区分方向（直接计算变化率），卷积核中心为-4，四周为1，无需分步融合。

代码：cv2.Laplacian + 取绝对值，步骤更简单，但效果较粗糙（线条断续、颜色淡）。

img=cv2.imread('img.png',0)
img_lap=cv2.Laplacian(img,cv2.CV_64F)
img_lap_full=cv2.convertScaleAbs(img_lap)
cv2.imshow('img_lap_full',img_lap_full)
cv2.waitKey(0)

5.Canny边缘检测（重点）

原理：
1. 高斯降噪：去除噪声干扰。
2. 梯度计算：通过Sobel算子计算梯度幅值和方向（像素变化最剧烈的方向）。
3. 非极大值抑制：保留梯度方向上最亮的点，抑制其他点。
4. 双阈值筛选：
  - 高阈值（如150）：强边缘（保留）。
  - 低阈值（如100）：弱边缘（若与强边缘连接则保留，否则剔除）。

代码实现

#4.canny算子
img=cv2.imread('img.png',0)
img_canny=cv2.Canny(img,120,180)
img_canny_full=cv2.convertScaleAbs(img_canny)
cv2.imshow('img_canny_full',img_canny_full)
cv2.waitKey(0)
cv2.destroyAllWindows()