基於Python的Opencv學習第十一天
今天爲大家先介紹一下laplacian算子，來結束圖像梯度的內容，然後介紹一下canny邊緣檢測。
一.laplacian算子
laplacian算子類似於二階的sobel導數，因爲laplacian算子的卷積核不同，其卷積核如圖：
可以看到卷積核裏面的係數同sobel算子和scharr算子不同。其中，laplacian算子的計算公式爲：
P5=（p2+p4+p6+p8)-4*p5
來看示例：
來對比一下三種算子：
這裏可以看到完全是因爲三類算子其係數不同而導致結果不同。
在opencv裏面，利用
cv2.Laplacian(src,ddepth)
在這裏，dst爲結果圖像，src爲原圖像，ddepth爲圖像深度。
通常計算時，圖像深度使用更高的數據類型cv2.CV_64F,取絕對值後，再轉爲np.uint8(cv2.CV_8U)類型。
import cv2
import numpy as np
a=cv2.imread(r"C:\Users\LT010407\Desktop\lena.jpg")
laplacian=cv2.Laplacian(a,cv2.CV_64F)
laplacian=cv2.convertScaleAbs(laplacian)
cv2.imshow("a",a)
cv2.imshow("laplacian",laplacian)
可以看到代碼和結果。
二.Canny邊緣檢測
1.Canny邊緣檢測原理
Canny邊緣檢測的一般步驟分四步：
①去噪
邊緣檢測容易受到噪聲的影響，所以在進行邊緣檢測前要進行去噪處理，通常採用高斯濾波器去除噪聲
至於高斯濾波器的方法和使用，需要參考我以前的博客
即是讓臨近的像素具有更高的重要度，對周圍像素計算加權平均值，較近的像素具有較大的權重值（除以56的原因是加起來的值等於56，然後可以確保得到的值能夠在0~256之間）
②梯度
對平滑後的圖像採用sobel算子計算梯度和方向
梯度的計算前面博客介紹了，至於方向，首先計算水平方向的梯度和豎直方向上的梯度，然後通過算式：
Angle（α）=tan^-1（Gy/Gx）可以得到該點的方向
梯度的方向一般總是與邊界垂直，有四類：垂直，水平，以及兩個對角線方向。
③非極大值抑制
在獲取梯度和方向後，遍歷圖像，去除所有不是邊界的點。實現方法：逐個遍歷像素點，判斷當前像素點是否是周圍像素中具有相同方向梯度的最大值
如圖，點A，點B，點C三點具有相同的方向，梯度方向垂直於邊緣，判斷點A是否爲點A，點B，點C的局部最大值：如果是，保留該點；否則，該點被抑制（即像素值歸零）。
來看個例子：
黃色背景的值被保留，其餘點被抑制（處理爲0）
④滯後閾值
這裏我們選取兩個閾值，分別爲最大閾值和最小閾值
看上圖右側，比邊界閾值大的保留，與邊界相連保留，其他的則拋棄。所以最後的結果爲：
這裏B和D被剔除，值被處理爲0。
來看一下邊緣處理的美：
2.Canny邊緣檢測函數
邊緣檢測的函數爲cv2.Canny（），具體格式爲：
edges=cv2.Canny（image，threshold1，threshold2）
參數說明：
edges爲邊界圖像
image爲原圖像
threshold1爲上面提到的閾值minVal
threshold2爲上面提到的閾值maxVal
調整閾值，可以控制邊緣細節：
maxVal，minVal變小，有更多的細節信息。
import cv2
import numpy as np
a=cv2.imread(r"C:\Users\LT010407\Desktop\lena.jpg")
r1=cv2.Canny(a,100,200)
r2=cv2.Canny(a,64,128)
cv2.imshow("a",a)
cv2.imshow("r1",r1)
cv2.imshow("r2",r2)
好的，今天的內容就結束了，爲大家重點介紹了canny邊緣檢測知識，大家好好理解一下吧（轉載註明出處）