vim+python+OpenCV学习七 ： Sobel算子、Laplacian算子和Canny边缘检测

#coding=utf-8'''Sobel算子Sobel算子依然是一种过滤器，只是其是带有方向的。在OpenCV-Python中，使用Sobel的算子的函数原型如下：dst = cv2.Sobel(src, ddepth, dx, dy[, dst[, ksize[, scale[, delta[, borderType]]]]]) 前四个是必须的参数：第一个参数是需要处理的图像；第二个参数是图像的深度，-1表示采用的是与原图像相同的深度。目标图像的深度必须大于等于原图像的深度；dx和dy表示的是求导的阶数，0表示这个方向上没有求导，一般为0、1、2。其后是可选的参数：dst不用解释了；ksize是Sobel算子的大小，必须为1、3、5、7。scale是缩放导数的比例常数，默认情况下没有伸缩系数；delta是一个可选的增量，将会加到最终的dst中，同样，默认情况下没有额外的值加到dst中；borderType是判断图像边界的模式。这个参数默认值为cv2.BORDER_DEFAULT。'''import cv2import numpy as np img=cv2.imread('test.jpg',0)'''在Sobel函数的第二个参数这里使用了cv2.CV_16S。因为OpenCV文档中对Sobel算子的介绍中有这么一句：Sobel函数求完导数后会有负值，还有会大于255的值。而原图像是uint8，即8位无符号数，所以Sobel建立的图像位数不够，会有截断。因此要使用16位有符号的数据类型，即cv2.CV_16S。'''x=cv2.Sobel(img,cv2.CV_16S,1,0)#对x求导y=cv2.Sobel(img,cv2.CV_16S,0,1)#对y求导'''在经过处理后，别忘了用convertScaleAbs()函数将其转回原来的uint8形式。否则将无法显示图像，而只是一副灰色的窗口。dst = cv2.convertScaleAbs(src[, dst[, alpha[, beta]]])  其中可选参数alpha是伸缩系数，beta是加到结果上的一个值。结果返回uint8类型的图片。'''absX=cv2.convertScaleAbs(x)   # 转回uint8 absY=cv2.convertScaleAbs(y)'''由于Sobel算子是在两个方向计算的，最后还需要用cv2.addWeighted(...)函数将其组合起来。其函数原型为：dst = cv2.addWeighted(src1, alpha, src2, beta, gamma[, dst[, dtype]])  其中alpha是第一幅图片中元素的权重，beta是第二个的权重，gamma是加到最后结果上的一个值。'''dst = cv2.addWeighted(absX,0.5,absY,0.5,0) cv2.imshow('absX',absX)cv2.imshow('absY',absY)cv2.imshow('Result',dst)cv2.waitKey(0)cv2.destroyAllWindows()

#coding=utf-8'''Laplacian算子图像中的边缘区域，像素值会发生“跳跃”，对这些像素求导，在其一阶导数在边缘位置为极值，这就是Sobel算子使用的原理——极值处就是边缘。如果对像素值求二阶导数，会发现边缘处的导数值为0Laplace函数实现的方法是先用Sobel 算子计算二阶x和y导数，再求和：在OpenCV-Python中，Laplace算子的函数原型如下：dst = cv2.Laplacian(src, ddepth[, dst[, ksize[, scale[, delta[, borderType]]]]])  第一个参数是需要处理的图像；第二个参数是图像的深度，-1表示采用的是与原图像相同的深度。目标图像的深度必须大于等于原图像的深度；dst不用解释了；ksize是算子的大小，必须为1、3、5、7。默认为1。scale是缩放导数的比例常数，默认情况下没有伸缩系数；delta是一个可选的增量，将会加到最终的dst中，同样，默认情况下没有额外的值加到dst中；borderType是判断图像边界的模式。这个参数默认值为cv2.BORDER_DEFAULT。'''import cv2import numpy as np img=cv2.imread('test.jpg',0)#为了让结果更清晰，这里的ksize设为3，gray_lap=cv2.Laplacian(img,cv2.CV_16S,ksize=3)#拉式算子dst=cv2.convertScaleAbs(gray_lap)cv2.imshow('laplacian',dst)cv2.waitKey(0)cv2.destroyAllWindows()

#coding=utf-8'''Canny边缘检测：OpenCV-Python中Canny函数的原型为：edge = cv2.Canny(image, threshold1, threshold2[, edges[, apertureSize[, L2gradient ]]])必要参数：第一个参数是需要处理的原图像，该图像必须为单通道的灰度图；第二个参数是阈值1；第三个参数是阈值2。其中较大的阈值2用于检测图像中明显的边缘，但一般情况下检测的效果不会那么完美，边缘检测出来是断断续续的。所以这时候用较小的第一个阈值用于将这些间断的边缘连接起来。可选参数中apertureSize就是Sobel算子的大小。而L2gradient参数是一个布尔值，如果为真，则使用更精确的L2范数进行计算（即两个方向的倒数的平方和再开放），否则使用L1范数（直接将两个方向导数的绝对值相加）。函数返回一副二值图，其中包含检测出的边缘。'''import cv2import numpy as np img=cv2.imread('test.jpg',0)#先进行高斯滤波降噪。img=cv2.GaussianBlur(img,(3,3),0)#在进行抠取轮廓，其中apertureSize默认为3。canny=cv2.Canny(img,50,150)cv2.imshow('canny',canny)cv2.waitKey(0)cv2.destroyAllWindows()

#coding=utf-8'''Canny边缘检测：优化的程序'''import cv2import numpy as np def CannyThreshold(lowThreshold):      detected_edges = cv2.GaussianBlur(gray,(3,3),0) #高斯滤波     detected_edges = cv2.Canny(detected_edges,            lowThreshold,            lowThreshold*ratio,            apertureSize = kernel_size)  #边缘检测     # just add some colours to edges from original image.      dst = cv2.bitwise_and(img,img,mask = detected_edges)  #用原始颜色添加到检测的边缘上    cv2.imshow('canny demo',dst)    lowThreshold = 0  max_lowThreshold = 100  ratio = 3  kernel_size = 3    img = cv2.imread('test.jpg')  gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)  #转换彩色图像为灰度图  cv2.namedWindow('canny demo')    #设置调节杠,'''下面是第二个函数，cv2.createTrackbar()共有5个参数，其实这五个参数看变量名就大概能知道是什么意思了第一个参数，是这个trackbar对象的名字第二个参数，是这个trackbar对象所在面板的名字第三个参数，是这个trackbar的默认值,也是调节的对象第四个参数，是这个trackbar上调节的范围(0~count)第五个参数，是调节trackbar时调用的回调函数名'''cv2.createTrackbar('Min threshold','canny demo',lowThreshold, max_lowThreshold, CannyThreshold)    CannyThreshold(0)  # initialization  if cv2.waitKey(0) == 27:  #wait for ESC key to exit cv2    cv2.destroyAllWindows()