OpenCV 的几种查找图像中轮廓边缘的方法

原始图片：

1、Sobel()

Sobel 算子结合了高斯平滑和微分，用于计算图像的梯度，从而突出显示边缘。

import cv2

# 读取图像
image = cv2.imread('image.png', cv2.IMREAD_GRAYSCALE)

# 使用 Sobel 算子查找水平和垂直边缘
sobel_x = cv2.Sobel(image, cv2.CV_64F, 1, 0, ksize=3)
sobel_y = cv2.Sobel(image, cv2.CV_64F, 0, 1, ksize=3)

# 叠加水平和垂直边缘
edges = cv2.addWeighted(cv2.convertScaleAbs(sobel_x), 0.5, cv2.convertScaleAbs(sobel_y), 0.5, 0)



# 显示结果
cv2.imshow("Original Image", image)
cv2.imshow("Edges", edges)

cv2.waitKey(0)
cv2.destroyAllWindows()

函数原型：

sobel = cv2.Sobel(src, ddepth, dx, dy, ksize, scale, delta, borderType) 

参数说明：

1. src: 输入图像（单通道，例如灰度图）。
2. ddepth : 输出图像的深度（例如 cv2.CV_64F 表示 64 位浮点数）。
3. dx: x 方向上的导数阶数（0表示没有导数，1表示一阶导数）。
4. dy: y 方向上的导数阶数（与 dx 类似）。
5. ksize: Sobel 核的大小，必须是 1, 3, 5 或 7 等奇数。
6. scale: 可选值，缩放导数结果，以便调整图像亮度（默认值为 1）。
7. delta: 可选值，在存储之前添加到结果中的值（默认值为 0）。
8. borderType : 边界类型，用于确定图像边界（默认值为 cv2.BORDER_DEFAULT）。

2、Scharr()

Scharr 算子是一种改进的 Sobel 算子，适用于增强边缘检测的精度，在正常的 Sobel 核的尺寸上有更好的性能。

scharr_x = cv2.Scharr(src, ddepth, dx, dy, scale, delta, borderType)

参数说明：

• 与 cv2.Sobel() 相同，只是 ksize 参数被硬编码为 3。

import cv2
import numpy as np

# 读取图像并转换为灰度图
image = cv2.imread('image.png', cv2.IMREAD_GRAYSCALE)

# 使用 Scharr 算子计算 x 和 y 方向上的梯度
grad_x = cv2.Scharr(image, cv2.CV_64F, 1, 0)
grad_y = cv2.Scharr(image, cv2.CV_64F, 0, 1)

# 将梯度取绝对值并转换为 8 位图像
abs_grad_x = cv2.convertScaleAbs(grad_x)
abs_grad_y = cv2.convertScaleAbs(grad_y)

# 合并 x 方向和 y 方向的梯度
scharr = cv2.addWeighted(abs_grad_x, 0.5, abs_grad_y, 0.5, 0)

# 显示图像
cv2.imshow('Scharr Edge Detection', scharr)
cv2.waitKey(0)
cv2.destroyAllWindows()

3、Canny()

Canny 边缘检测是一种多级边缘检测算法，效果较为显著，常用来检测图像中的明显边缘。

函数原型：

edges = cv2.Canny(image, threshold1, threshold2, apertureSize, L2gradient)

参数说明：

• image: 输入图像，通常是灰度图。
• threshold1: 较低的阈值，用于边缘检测的滞后阈值过程。
• threshold2: 较高的阈值。
• apertureSize: Sobel 算子的大小，默认值为 3。
• L2gradient: 可选参数，用于计算图像梯度幅值的标志。如果为 True，则使用更精确的 L2 范数计算梯度，否则使用 L1 范数。

import cv2

# 读取图像并转换为灰度图
image = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)

# 使用 Canny 边缘检测
edges = cv2.Canny(image, 100, 200)

# 显示图像
cv2.imshow('Canny Edge Detection', edges)
cv2.waitKey(0)
cv2.destroyAllWindows()

4、Laplacian ()

Laplacian 算子是一种二阶导数算子，用于检测图像中的边缘。

laplacian = cv2.Laplacian(src, ddepth, ksize, scale, delta, borderType)

参数说明：

• src: 输入图像。

• ddepth: 输出图像的深度。

• ksize: Laplacian 算子的大小，必须是正奇数。

• scale: 可选参数，用于缩放导数值，默认值为 1。

• delta: 可选参数，在存储之前添加到结果中的值，默认值为 0。

• borderType : 边界模式，默认值为 cv2.BORDER_DEFAULT。

  import cv2
  import numpy as np
  
  # 读取图像并转换为灰度图
  image = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)
  
  # 使用 Laplacian 边缘检测
  laplacian = cv2.Laplacian(image, cv2.CV_64F)
  
  # 将结果转换为 8 位图像
  laplacian = cv2.convertScaleAbs(laplacian)
  
  # 显示图像
  cv2.imshow('Laplacian Edge Detection', laplacian)
  cv2.waitKey(0)
  cv2.destroyAllWindows()

5、Prewitt算子

Prewitt 算子是另一种一阶导数算子，可以检测水平和垂直边缘。虽然 OpenCV 没有直接提供 cv2.prewitt() 函数，但可以使用 cv2.filter2D 函数自定义 Prewitt 核来实现。

import cv2
import numpy as np

# 读取图像并转换为灰度图
image = cv2.imread('image.png', cv2.IMREAD_GRAYSCALE)

# 定义 Prewitt 核
prewitt_kernel_x = np.array([[1, 0, -1],
                             [1, 0, -1],
                             [1, 0, -1]])
prewitt_kernel_y = np.array([[1, 1, 1],
                             [0, 0, 0],
                             [-1, -1, -1]])

# 使用 Prewitt 核进行边缘检测
grad_x = cv2.filter2D(image, cv2.CV_64F, prewitt_kernel_x)
grad_y = cv2.filter2D(image, cv2.CV_64F, prewitt_kernel_y)

# 计算梯度幅值
abs_grad_x = cv2.convertScaleAbs(grad_x)
abs_grad_y = cv2.convertScaleAbs(grad_y)
prewitt = cv2.addWeighted(abs_grad_x, 0.5, abs_grad_y, 0.5, 0)

# 显示图像
cv2.imshow('Prewitt Edge Detection', prewitt)
cv2.waitKey(0)
cv2.destroyAllWindows()

6、Roberts Cross算子

罗伯特交叉算子是一种简单且快速的边缘检测算子，适用于检测图像的对角边缘。OpenCV 中没有直接提供罗伯特交叉算子，但可以通过自定义卷积核实现。

import cv2
import numpy as np

# 读取图像并转换为灰度图
image = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)

# 定义 Roberts 核
roberts_kernel_x = np.array([[1, 0],
                             [0, -1]])
roberts_kernel_y = np.array([[0, 1],
                             [-1, 0]])

# 使用 Roberts 核进行边缘检测
grad_x = cv2.filter2D(image, cv2.CV_64F, roberts_kernel_x)
grad_y = cv2.filter2D(image, cv2.CV_64F, roberts_kernel_y)

# 计算梯度幅值
abs_grad_x = cv2.convertScaleAbs(grad_x)
abs_grad_y = cv2.convertScaleAbs(grad_y)
roberts = cv2.addWeighted(abs_grad_x, 0.5, abs_grad_y, 0.5, 0)

# 显示图像
cv2.imshow('Roberts Edge Detection', roberts)
cv2.waitKey(0)
cv2.destroyAllWindows()

7、自定义卷积核

还可以通过自定义卷积核来进行边缘检测。

import cv2
import numpy as np

# 读取图像并转换为灰度图
image = cv2.imread('image.png', cv2.IMREAD_GRAYSCALE)

# 定义自定义卷积核
custom_kernel = np.array([[-1, -1, -1],
                          [-1, 7, -1],
                          [-1, -1, -1]])

# 使用自定义卷积核进行边缘检测
custom_edges = cv2.filter2D(image, cv2.CV_64F, custom_kernel)

# 将结果转换为 8 位图像
custom_edges = cv2.convertScaleAbs(custom_edges)

# 显示图像
cv2.imshow('Custom Kernel Edge Detection', custom_edges)
cv2.waitKey(0)
cv2.destroyAllWindows()

8、基于直方图的边缘检测

基于直方图的方法，通过分析图像的灰度直方图来检测边缘。

import cv2
import numpy as np

# 读取图像并转换为灰度图
image = cv2.imread('image.png', cv2.IMREAD_GRAYSCALE)

# 计算图像的直方图
hist = cv2.calcHist([image], [0], None, [256], [0, 256])

# 找到直方图的峰值
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(hist)

# 使用峰值作为阈值进行二值化处理
_, binary = cv2.threshold(image, max_loc[1] - 30, 255, cv2.THRESH_BINARY)

# 显示图像
cv2.imshow('Histogram Based Edge Detection', binary)
cv2.waitKey(0)
cv2.destroyAllWindows()

9、adaptiveThreshold()

自适应阈值

自适应阈值可以在照明不均匀的情况下检测边缘。

函数原型：

cv2.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C[, dst])

参数说明：

• src：输入图像，应为灰度图像（单通道）。

• maxValue：指定在满足条件时给输出像素赋予的最大值（通常为255）。

• adaptiveMethod：自适应方法。可选值有：

  • cv2.ADAPTIVE_THRESH_MEAN_C：基于邻域均值的自适应阈值化方法。
  • cv2.ADAPTIVE_THRESH_GAUSSIAN_C：基于邻域加权均值的自适应阈值化方法。

• thresholdType：阈值类型，应为 cv2.THRESH_BINARY 或 cv2.THRESH_BINARY_INV。

• blockSize：指定用于计算阈值的邻域大小，一般为奇数。

• C：从计算的平均值或加权平均值中减去的常数。

  import cv2

  读取图像并转换为灰度图

  image = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)

  自适应阈值

  adaptive_threshold = cv2.adaptiveThreshold(image, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)

  显示图像

  cv2.imshow('Adaptive Threshold Edge Detection', adaptive_threshold)
  cv2.waitKey(0)
  cv2.destroyAllWindows()

10、threshold()

阈值化 (cv2.threshold)

简单的全局阈值化方法，通过固定的阈值来二值化图像以检测边缘。

import cv2

# 读取图像并转换为灰度图
image = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)

# 全局阈值化
_, threshold = cv2.threshold(image, 127, 255, cv2.THRESH_BINARY)

# 显示图像
cv2.imshow('Global Threshold Edge Detection', threshold)
cv2.waitKey(0)
cv2.destroyAllWindows()