实验一 边缘检测实验
一、实验目的
1．理解并掌握 Sobel 算子和 Canny 算子的基本原理和应用。
2．学习如何在图像处理中使用这两种算子进行边缘检测。
3．比较 Sobel 算子和 Canny 算子的性能，了解各自的优缺点。
4．学会使用图像处理工具或编程语言实现 Sobel 和 Canny 算子。
二、实验内容和要求
1．实验内容：
选择图像数据：从现有的图像数据集中选择适当的图像作为实验对象，确保图像包含明显的边缘结构以便进行边缘检测。
Sobel 边缘检测：使用 Sobel 算子对选定的图像进行边缘检测。这包括计算图像的水平和垂直方向的梯度，并计算梯度幅值，最终得到边缘检测结果。
Canny 边缘检测：使用 Canny 算子对同样的图像进行边缘检测。Canny 算子包括多个步骤，如高斯滤波、梯度计算、非极大值抑制和双阈值化，最终得到边缘检测结果。
2．基本要求：
(1)选择一组图像数据作为实验对象。
(2)使用 Sobel 算子对图像进行边缘检测，并记录结果。
(3)使用 Canny 算子对图像进行边缘检测，并记录结果。
(4)比较两种方法的边缘检测效果，分析其差异。
三、实验设备
实验设备主要有：计算机、OpenCV库
四、实验 原理
边缘检测是图像处理和机器视觉中的基本问题，边缘检测的目的是标识数字图像中亮度变化明显的点。图像属性中的显著变化通常反映了属性的重要事件和变化。边缘的表现形式如下图所示：
图像边缘检测大幅度地减少了数据量，并且剔除了可以认为不相关的信息，保留了图像重要的结构属性。有许多方法用于边缘检测，它们的绝大部分可以划分为两类：基于搜索和基于零穿越。
基于搜索：通过寻找图像一阶导数中的最大值来检测边界，然后利用计算结果估计边缘的局部方向，通常采用梯度的方向，并利用此方向找到局部梯度模的最大值，代表算法是Sobel算子。
基于零穿越：通过寻找图像二阶导数零穿越来寻找边界，代表算法是Canny算子。
五、实验步骤
Sobel检测算子
Sobel边缘检测算法比较简单，实际应用中效率比canny边缘检测效率要高，但是边缘不如Canny检测的准确，但是很多实际应用的场合，sobel边缘却是首选，Sobel算子是高斯平滑与微分操作的结合体，所以其抗噪声能力很强，用途较多。尤其是效率要求较高，而对细纹理不太关心的时候。
代码：
python
import cv2
import numpy as np
import matplotlib.pyplot as plt
def Sobel_demo():
img = cv2.imread("C:\\Users\\aslon\\Desktop\\louna.jpg")
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
grayImage = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# Sobel算子
x = cv2.Sobel(grayImage, cv2.CV_16S, 1, 0)
y = cv2.Sobel(grayImage, cv2.CV_16S, 0, 1)
# 转成uint8
absX = cv2.convertScaleAbs(x)
absY = cv2.convertScaleAbs(y)
Sobel = cv2.addWeighted(absX, 0.5, absY, 0.5, 0)
# 显示图形
titles = ["Original Image", "Sobel Image"]
images = [img, Sobel]
for i in range(2):
plt.subplot(1, 2, i+1)
plt.imshow(images[i], "gray")
plt.title(titles[i])
plt.axis('off')
plt.show()
Sobel_demo()原图及代码执行结果：
Canny边缘检测
Canny 算子是一种更为复杂的边缘检测算法，它具有以下优点：
低错误率：能够尽可能少地检测出虚假边缘，同时尽可能多地检测出真实边缘。高定位精度：检测到的边缘位置准确。最小响应：对单个边缘仅有一个响应。
步骤：1、读取图像并将其转换为灰度图像。2、对灰度图像进行高斯模糊，以减少噪声。3、使用 Canny 算子检测边缘。
代码：
python
def Canny_demo():
img = cv2.imread("C:\\Users\\aslon\\Desktop\\louna.jpg")
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 高斯滤波
img_GaussianBlur = cv2.GaussianBlur(gray, (3,3), 0)
# Canny算子
Canny = cv2.Canny(img_GaussianBlur, 0, 100)
# 显示图形
titles = ["Original Image", "Canny Image"]
images = [img, Canny]
for i in range(2):
plt.subplot(1, 2, i+1)
plt.imshow(images[i], "gray")
plt.title(titles[i])
plt.axis('off')
plt.show()
Canny_demo()原图及 代码执行结果：
六 、实验 总结
Canny算子与Sobel算子的差异对比：
Canny 算子：具有较高的检测精度，能够检测出更细、更准确的边缘，对弱边缘的检测也相对较好。抗噪性较强，在进行边缘检测之前会先进行高斯滤波等降噪处理，减少噪声对边缘检测的影响。
Sobel 算子：检测精度相对较低，边缘可能比较粗糙，对于一些弱边缘可能无法准确检测。Sobel 算子：抗噪性较弱，对噪声比较敏感，容易将噪声误检测为边缘。