边缘检测在图像处理和计算机视觉领域中起着重要的作用。 Laplacian 算子和 Canny 边缘检测是两种常用的边缘检测方法，它们能够帮助我们准确地检测图像中的边缘信息。 OpenCV 提供了这两种算子的实现函数，使得边缘检测更加简单和高效。本文将以 Laplacian 算子和 Canny 边缘检测为中心，为你介绍使用 OpenCV 进行边缘检测的基本步骤和实例。
图像边缘检测的概念和大概原理可以参考我的另一篇博文，链接如下： https://blog.csdn.net/wenhao_ir/article/details/51743382
在这一篇文章里我们将去学习在计算机视觉中边缘检测的知识，并且去使用OpenCV来实现Canny边缘检测算法。
图像边缘信息主要集中在高频段，通常说图像锐化或检测边缘，实质就是高频滤波。我们知道微分运算是求信号的变化率，具有加强高频分量的作用。在空域运算中来说，对图像的锐化就是计算微分。对于数字图像的离散信号，微分运算就变成计算差分或梯度。图像处理中有多种边缘检测（梯度）算子，常用的包括普通一阶差分，Robert算子（交叉差分），Sobel算子等等，是基于寻找梯度强度。拉普拉斯算子（二阶差分）是基于过零点检测。通过计算梯度，设置阀值，得到边缘图像。
图像轮廓边缘指的是图像中目标对象和背景之间的区分明显的交界线。对于数字图像来说，图像边缘是数字图像中灰度变化比较大的点，它是物体最基本的特征之一。基于图像边缘灰度剧烈变化的特征，传统的边缘检测方法往往根据灰度变化的情况进行边缘提取。
效果图看完，我们来唠唠嗑。 首先，需要说明的是，浅墨这篇文章最后的示例代码是采用两周前刚刚发布的2.4.9来书写的。里面的lib都已经改成了2.4.9版本的。如果大家需要运行的话，要么配置好2.4.9.要么把浅墨在工程中包含的末尾数字为249的各种lib改成之前的248或者你对应的OpenCV版本。 不然会提示： LINK : fatal error LNK1181: 无法打开输入文件“opencv_calib3d248.lib”之类的错误。 OpenCV 2.4.9的配置和之前的2.4.8差不多，如果还是不太清楚，具体可以参考浅墨修改过的对应2.4.9版的配置文章： 【OpenCV入门教程之一】 安装OpenCV：OpenCV 2.4.8或2.4.9 +VS 开发环境配置 第二，给大家分享一个OpenCV中写代码时节约时间的小常识。其实OpenCV中，不用namedWindow，直接imshow就可以显示出窗口。大家看下文的示例代码就可以发现，浅墨在写代码的时候并没有用namedWindow，遇到想显示出来的Mat变量直接imshow。我们一般是为了规范，才先用namedWindow创建窗口，再imshow出它来，因为我们还有需要用到指定窗口名称的地方，比如用到trackbar的时候。而一般情况想显示一个Mat变量的图片的话，直接imshow就可以啦。 OK，开始正文吧~ 一、关于边缘检测 在具体介绍之前，先来一起看看边缘检测的一般步骤吧。 1）滤波：边缘检测的算法主要是基于图像强度的一阶和二阶导数，但导数通常对噪声很敏感，因此必须采用滤波器来改善与噪声有关的边缘检测器的性能。常见的滤波方法主要有高斯滤波，即采用离散化的高斯函数产生一组归一化的高斯核（具体见“高斯滤波原理及其编程离散化实现方法”一文），然后基于高斯核函数对图像灰度矩阵的每一点进行加权求和（具体程序实现见下文）。 2）增强：增强边缘的基础是确定图像各点邻域强度的变化值。增强算法可以将图像灰度点邻域强度值有显著变化的点凸显出来。在具体编程实现时，可通过计算梯度幅值来确定。 3）检测：经过增强的图像，往往邻域中有很多点的梯度值比较大，而在特定的应用中，这些点并不是我们要找的边缘点，所以应该采用某种方法来对这些点进行取舍。实际工程中，常用的方法是通过阈值化方法来检测。 另外，需要注意，下文中讲到的Laplace算子，sobel算子和Scharr算子都是带方向的，所以，示例中我们分别写了X方向,Y方向和最终合成的的效果图。 OK，正餐开始，召唤canny算子。：） 二、canny算子篇 2.1 canny算子相关理论与概念讲解
热力学第二定律（second law of thermodynamics），热力学基本定律之一，克劳修斯表述为：热量不能自发地从低温物体转移到高温物体。开尔文表述为：不可能从单一热源取热使之完全转换为有用的功而不产生其他影响。熵增原理：不可逆热力过程中熵的微增量总是大于零。在自然过程中，一个孤立系统的总混乱度（即“熵”）不会减小。
该系列文章是讲解Python OpenCV图像处理知识，前期主要讲解图像入门、OpenCV基础用法，中期讲解图像处理的各种算法，包括图像锐化算子、图像增强技术、图像分割等，后期结合深度学习研究图像识别、图像分类应用。希望文章对您有所帮助，如果有不足之处，还请海涵~
边缘类型：简单分为4中类型，阶跃型、屋脊型、斜坡型、脉冲型，其中阶跃型和斜坡型是类似的，只是变化的快慢不同。
严格的说，梯度计算需要求导数。但是图像梯度的计算，是通过计算像素值的差得到梯度的近似值。图像梯度表示的是图像变化的速度，反映了图像的边缘信息。
Canny边缘检测算子是一种多级检测算法。1986年由John F. Canny提出，同时提出了边缘检测的三大准则：
边缘可以认为是图像中一定数量点亮度发生变化的地方，边缘检测大体上就是计算这个亮度变化的导数，依据导数的大小，判断亮度变化大小，从而界定目标与背景。在经典的边缘检测算法中Roberts算子，Prewitt算子，Sobel算子属于一阶差分算子，LoG算子，Canny算子属于二阶差分算子。一阶差分算子，就是求图像灰度变化曲线的导数，从而可以突出图像中的对象边缘，而二阶差分算子，求图像灰度变化导数的导数，对图像中灰度变化强烈的地方很敏感，从而可以突出图像的纹理结构。即一阶求边缘，二阶不仅检测出边缘还可检测出弱边缘（纹理）
Sobel算子的思想，邻域的像素对当前像素产生的影响不是等价的，所以距离不同的像素具有不同的权值，对算子结果产生的影响也不同。一般来说，距离越远，产生的影响越小。Sobel算子计算原理，对传进来的图像像素做卷积，卷积的实质是在求梯度值，或者说给了一个加权平均，其中权值就是所谓的卷积核；然后对生成的新像素灰度值做阈值运算，以此来确定边缘信息。
如上图所示，上图的第一幅图表示一张数字图片，我们对水平红线处进行求导，便可得到上图二中的关系，可以看到在边缘处有着较大的跳变。但是，导数也会受到噪声的影响，因此建议在求导数之前先对图像进行平滑处理（上图三）。
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：
上一讲小白为小伙伴们带来了如何使用自编函数和自带函数对图像进行滤波，去除图像的噪声。这次小白为大家带来滤波的新用处——边缘提取。
需要说明的是：边缘和物体间的边界并不等同，边缘指的是图像中像素的值有突变的地方，而物体间的边界指的是现实场景中的存在于物体之间的边界。
一般的边缘检测算法用一个阀值来滤除噪声或颜色变化引起的小的梯度值，而保留大的梯度值。Canny算法应用双阀值，即一个高阀值和一个低阀值来区分边缘像素。如果边缘像素点梯度值大于高阀值，则被认为是强边缘点。如果边缘梯度值小于高阀值，大于低阀值，则标记为弱边缘点。小于低阀值的点则被抑制掉。
一、边缘检测的概念 边缘检测是图像处理与计算机视觉中极为重要的一种分析图像的方法，至少在我做图像分析与识别时，边缘是我最喜欢的图像特征。边缘检测的目的就是找到图像中亮度变化剧烈的像素点构成的集合，表现出来往往是轮廓。如果图像中边缘能够精确的测量和定位，那么，就意味着实际的物体能够被定位和测量，包括物体的面积、物体的直径、物体的形状等就能被测量。在对现实世界的图像采集中，有下面4种情况会表现在图像中时形成一个边缘。 深度的不连续（物体处在不同的物平面上）； 表面方向的不连续（如正方体的不同的两个面）； 物体材
（1）爱鱼 https://www.cnblogs.com/mightycode/p/6394810.html
void cvCanny( const CvArr* image, CvArr* edges, double threshold1, double threshold2, int aperture_size=3 ); image单通道输入图像.edges单通道存储边缘的输出图像threshold1第一个阈值threshold2第二个阈值aperture_sizeSobel 算子内核大小 (见 cvSobel).
Canny算子通过边缘差分算子（如Rober，Prewitt，Sobel）计算差分的水平方向的Gx和垂直方向的Gy，梯度的幅度G和方向θ（梯度的方向与边缘的方向垂直）：
I=imread(‘G:\MATLAB\bm.bmp’); %读取当前路径下的图片 subplot(2,2,1); imshow(I); title(‘原始图像’) I1=rgb2gray(I); subplot(2,2,2); imshow(I1); title(‘灰度图像’); I2=edge(I1,’canny’); subplot(2,2,3); imshow(I2); title(‘canny算子分割结果’);
zeros 相当于创建一张黑色的图，每个像素的每个通道都为0,Scalar(0,0,0)；
图像分割（二） 之基于边缘分割 所谓边缘是指图像中两个不同区域的边界线上连续的像素点的集合，是图像局部特征不连续的反应，体现了灰度、颜色、纹理等图像特性的突变。通常情况下，基于边缘的分割方法是指基于灰度值的边缘检测，它是建立在边缘灰度值会呈现出阶跃型或屋顶型变化这一观测基础上的方法。 阶跃型边缘两边像素点的灰度值存在着明显的差异，而屋顶型边缘则位于灰度值上升或下降的转折处。正是基于这一特性，可以使用微分算子进行边缘检测，即使用一阶导数的极值与二阶导数的过零点来确定百鸟园，具体实现时可以使用图像与模板进行卷积
原文链接：http://blog.csdn.net/humanking7/article/details/46606791
其主要用于边缘检测，在技术上它是以离散型的差分算子，用来运算图像亮度函数的梯度的近似值， Sobel算子是典型的基于一阶导数的边缘检测算子，由于该算子中引入了类似局部平均的运算，因此对噪声具有平滑作用，能很好的消除噪声的影响。Sobel算子对于象素的位置的影响做了加权，与Prewitt算子、Roberts算子相比因此效果更好。Sobel算子包含两组3×3的矩阵，分别为横向及纵向模板，将之与图像作平面卷积，即可分别得出横向及纵向的亮度差分近似值。缺点是Sobel算子并没有将图像的主题与背景严格地区分开来，换言之就是Sobel算子并没有基于图像灰度进行处理，由于Sobel算子并没有严格地模拟人的视觉生理特征，所以提取的图像轮廓有时并不能令人满意。
原图像中光干扰较大，因此我们后面的处理会使用下图红框这样只有杆影的局部区域进行计算。
以下代码均在python3.6，opencv4.2.0环境下试了跑一遍，可直接运行。
Canny 边缘检测算子，其算法步骤大体如下： 1) 用高斯滤波器对输入图像做平滑处理 (大小为 5x5 的高斯核)
1、产生下图所示亮块图像 f1(x,y)(128×128大小，暗处=0，亮处=255)，对其进行FFT。
边缘检测是图像处理和计算机视觉中的基本问题，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。这些包括（i）深度上的不连续、（ii）表面方向不连续、（iii）物质属性变化和（iv）场景照明变化。边缘检测是图像处理和计算机视觉中，尤其是特征提取中的一个研究领域。
Canny边缘检测于1986年由JOHN CANNY首次在论文《A Computational Approach to Edge Detection》中提出，就此拉开了Canny边缘检测算法的序幕。
图象的边缘是指图象局部区域亮度变化显著的部分，该区域的灰度剖面一般可以看作是一个阶跃，既从一个灰度值在很小的缓冲区域内急剧变化到另一个灰度相差较大的灰度值。图象的边缘部分集中了图象的大部分信息，图象边缘的确定与提取对于整个图象场景的识别与理解是非常重要的，同时也是图象分割所依赖的重要特征，边缘检测主要是图象的灰度变化的度量、检测和定位，自从1959提出边缘检测以来，经过五十多年的发展，已有许多中不同的边缘检测方法。根据作者的理解和实践，本文对边缘检测的原理进行了描述，在此基础上着重对Canny检测算法的实现进行详述。
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。
计算机视觉的特征提取算法研究至关重要。在一些算法中，一个高复杂度特征的提取可能能够解决问题（进行目标检测等目的），但这将以处理更多数据，需要更高的处理效果为代价。而颜色特征无需进行大量计算。只需将数字图像中的像素值进行相应转换，表现为数值即可。因此颜色特征以其低复杂度成为了一个较好的特征。
Sobel算子是像素图像边缘检测 中最重要的算子之一，它是一个离散的一阶差分算子，用来计算图像亮度函数的一阶梯度之近似值。
图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。单色图像的分割算法通常基于灰度值的不连续性和相似性。
这是因为滑动条滑动导致阈值变换，处理的图片一直都是在上一时刻停留那个位置的阈值处理出的图片基础上运行的，简单来讲，就是一种叠加作用，然后当变换阈值使得识别出车道线变少，也就看不出来了。
图像边缘检测能够大幅减少数据量，在保留重要的结构属性的同时，剔除弱相关信息。 在深度学习出现之前，传统的Sobel滤波器，Canny检测器具有广泛的应用，但是这些检测器只考虑到局部的急剧变化，特别是颜色、亮度等的急剧变化，通过这些特征来找边缘。 这些特征很难模拟较为复杂的场景，如伯克利的分割数据集(Berkeley segmentation Dataset)，仅通过亮度、颜色变化并不足以把边缘检测做好。2013年，开始有人使用数据驱动的方法来学习怎样联合颜色、亮度、梯度这些特征来做边缘检测。 为了更好地评测边缘检测算法，伯克利研究组建立了一个国际公认的评测集，叫做Berkeley Segmentation Benchmark。从图中的结果可以看出，即使可以学习颜色、亮度、梯度等low-level特征，但是在特殊场景下，仅凭这样的特征很难做到鲁棒的检测。比如上图的动物图像，我们需要用一些high-level 比如 object-level的信息才能够把中间的细节纹理去掉，使其更加符合人的认知过程（举个形象的例子，就好像画家在画这个物体的时候，更倾向于只画外面这些轮廓，而把里面的细节给忽略掉）。 .
图像金字塔是图像多尺度表达的一种，是一种以多分辨率来解释图像的有效且概念简单的结构。一幅图像的金字塔是一系列以金字塔形状排列的分辨率逐步降低，且来源于同一张原始图的图像集合。其通过梯次向下采样获得，直到达到某个终止条件才停止采样。我们将一层一层的图像比喻成金字塔，层级越高，则图像越小，分辨率越低
Canny边缘检测算子是John F. Canny于 1986 年开发出来的一个多级边缘检测算法。
Canny 边缘检测是一种使用多级边缘检测算法检测边缘的方法。1986 年，John F. Canny 发 表了著名的论文 A Computational Approach to Edge Detection，在该论文中详述了如何进行边缘 检测。
图像边缘是图像中重要特性（如像素灰度、纹理等）分布的不连续处，图像周围特性有阶跃变化或屋脊状变化的那些像素集合。图像的边缘部分集中了图像的大部分信息，一幅图像的边缘结构与特点往往是决定图像特质的重要部分。图像边缘的另一个定义是指其周围像素灰度变化不连续的那些像素的集合。边缘广泛存在于物体与背景之间、物体与物体之间，因此，边缘是图像分割及图像识别中的重要特征。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
腾讯会议
实时音视频
