边缘检测
目录
边缘检测
形态学-腐蚀、膨胀操作
开运算与闭运算
梯度运算
礼帽与黑帽
图像梯度-Sobel算子（右减左，下减上）
图像梯度-Scharr算子
图像梯度-laplacian算子
Canny边缘检测
形态学-腐蚀、膨胀操作
形态学-腐蚀操作，去毛刺儿，腐蚀边界
# 腐蚀核大小
kernel = np.ones((3,3),np.uint8)
# 腐蚀操作：
# img输入图片
# kernel腐蚀核
# iterations迭代次数
erosion = cv2.erode(img,kernel,iterations = 1)形态学-膨胀操作，膨胀和腐蚀操作作为逆运算
kernel = np.ones((3,3),np.uint8)
dige_dilate = cv2.dilate(dige_erosion,kernel,iterations = 1)开运算与闭运算
开运算：先腐蚀、后膨胀
kernel = np.ones((5,5),np.uint8)
# cv2.MORPH_OPEN开运算参数
opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)闭运算：先膨胀、后腐蚀
kernel = np.ones((5,5),np.uint8)
# cv2.MORPH_CLOSE闭运算参数
closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)梯度运算
梯度=膨胀-腐蚀（留轮廓）
# cv2.MORPH_GRADIENT梯度运算参数
gradient = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)礼帽与黑帽
礼帽 = 原始输入-开运算结果（留毛刺儿）白色更清楚
# cv2.MORPH_TOPHAT礼帽参数
tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)黑帽 = 闭运算-原始输入（留原始小轮廓）黑色更清楚
# cv2.MORPH_BLACKHAT黑帽参数
blackhat = cv2.morphologyEx(img,cv2.MORPH_BLACKHAT, kernel)图像梯度-Sobel算子（右减左，下减上）
dst = cv2.Sobel(src, ddepth, dx, dy, ksize)
Sobel算子函数
src 图像 ddepth 图像深度 dx、dy 水平和竖直方向 ksize Sobel算子的大小
图像深度：是指存储每个像素值所用的位数，例如cv2.CV_8U，指的是8位无符号数，取值范围为0~255，超出范围则会被截断（截断指的是，当数值大于255保留为255，当数值小于0保留为0，其余不变），CV_16S（16位无符号数），CV_16U（16位有符号数），CV_32F（32位浮点数），CV_64F（64位浮点数）
# cv2.CV_64F转换成可带负数的64位浮点数字符格式，便于取绝对值
# dx=1,dy=0计算竖直方向
# 白到黑是正数，黑到白就是负数了，所有的负数会被截断成0，所以要取绝对值
sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
# 取绝对值
sobelx = cv2.convertScaleAbs(sobelx)
# dx=0,dy=1计算水平方向
sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)
sobely = cv2.convertScaleAbs(sobely)
#垂直+水平
sobelxy = cv2.addWeighted(sobelx,0.5,sobely,0.5,0)分开算垂直和水平，再进行相加；不建议直接同时计算垂直和水平dx=1，dy=1，会造成上下左右的缺失，和重影。
图像梯度-Scharr算子
边缘两测差异扩大，对图像差异更加敏感
scharrx = cv2.Scharr(img,cv2.CV_64F,1,0)scharry = cv2.Scharr(img,cv2.CV_64F,0,1)
scharrx = cv2.convertScaleAbs(scharrx)
scharry = cv2.convertScaleAbs(scharry)
scharrxy = cv2.addWeighted(scharrx,0.5,scharry,0.5,0)图像梯度-laplacian算子
laplacian = cv2.Laplacian(img,cv2.CV_64F)
laplacian = cv2.convertScaleAbs(laplacian)中间点与边缘的差值，对噪声敏感。不建议单独使用
Canny边缘检测
1) 使用高斯滤波器，以平滑图像，滤除噪声。（高斯滤波）
2) 计算图像中每个像素点的梯度强度和方向。（Sobel算子）
3) 应用非极大值（Non-Maximum Suppression）抑制（取最大值），以消除边缘检测带来的杂散响应。
4) 应用双阈值（Double-Threshold）检测来确定真实的和潜在的边缘。
5) 通过抑制孤立的弱边缘最终完成边缘检测。
- 非极大值抑制（与切线方向上相邻点比较，若不是最大值舍去）
线性插值
简单化
- 双阈值检测（判断最大值和最小值之间的数值是否连有边界决定是否舍弃）
# maxVal=150,minVal=80v1=cv2.Canny(img,80,150)阈值越大检测的边界越少，阈值越小检测到的边界越多
