前文傳送門：
「Python 影像處理 OpenCV （2）：畫素處理與 Numpy 操作以及 Matplotlib 顯示影像」
「Python 影像處理 OpenCV （3）：影像屬性、影像感興趣 ROI 區域及通道處理」
「Python 影像處理 OpenCV （4）：影像算數運算以及修改顏色空間」
「Python 影像處理 OpenCV （5）：影像的幾何變換」
「Python 影像處理 OpenCV （6）：影像的閾值處理」
「Python 影像處理 OpenCV （7）：影像平滑（濾波）處理」
「Python 影像處理 OpenCV （8）：影像腐蝕與影像膨脹」
「Python 影像處理 OpenCV （9）：影像處理形態學開運算、閉運算以及梯度運算」
「Python 影像處理 OpenCV （10）：影像處理形態學之頂帽運算與黑帽運算」
「Python 影像處理 OpenCV （11）：Canny 運算元邊緣檢測技術」
引言
前文介紹了 Canny 運算元邊緣檢測，本篇繼續介紹 Roberts 運算元、 Prewitt 運算元、 Sobel 運算元和 Laplacian 運算元等常用邊緣檢測技術。
Roberts 運算元
Roberts 運算元，又稱羅伯茨運算元，是一種最簡單的運算元，是一種利用區域性差分運算元尋找邊緣的運算元。他採用對角線方向相鄰兩象素之差近似梯度幅值檢測邊緣。檢測垂直邊緣的效果好於斜向邊緣，定位精度高，對噪聲敏感，無法抑制噪聲的影響。
1963年， Roberts 提出了這種尋找邊緣的運算元。 Roberts 邊緣運算元是一個 2x2 的模版，採用的是對角方向相鄰的兩個畫素之差。
Roberts 運算元的模板分為水平方向和垂直方向，如下所示，從其模板可以看出， Roberts 運算元能較好的增強正負 45 度的影像邊緣。
Roberts 運算元在水平方向和垂直方向的計算公式如下：
Roberts 運算元畫素的最終計算公式如下：
今天的公式都是小學生水平，千萬別再說看不懂了。
實現 Roberts 運算元，我們主要通過 OpenCV 中的 filter2D() 這個函式，這個函式的主要功能是通過卷積核實現對影像的卷積運算：
def filter2D(src, ddepth, kernel, dst=None, anchor=None, delta=None, borderType=None)
- src: 輸入影像
- ddepth: 目標影像所需的深度
- kernel: 卷積核
接下來開始寫程式碼，首先是影像的讀取，並把這個影像轉化成灰度影像，這個沒啥好說的：
# 讀取影像
img = cv.imread('maliao.jpg', cv.COLOR_BGR2GRAY)
rgb_img = cv.cvtColor(img, cv.COLOR_BGR2RGB)
# 灰度化處理影像
grayImage = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
然後是使用 Numpy 構建卷積核，並對灰度影像在 x 和 y 的方向上做一次卷積運算：
# Roberts 運算元
kernelx = np.array([[-1, 0], [0, 1]], dtype=int)
kernely = np.array([[0, -1], [1, 0]], dtype=int)
x = cv.filter2D(grayImage, cv.CV_16S, kernelx)
y = cv.filter2D(grayImage, cv.CV_16S, kernely)
注意：在進行了 Roberts 運算元處理之後，還需要呼叫convertScaleAbs()函式計算絕對值，並將影像轉換為8點陣圖進行顯示，然後才能進行影像融合：
# 轉 uint8 ,影像融合
absX = cv.convertScaleAbs(x)
absY = cv.convertScaleAbs(y)
Roberts = cv.addWeighted(absX, 0.5, absY, 0.5, 0)
最後是通過 pyplot 將影像顯示出來：
# 顯示圖形
titles = ['原始影像', 'Roberts運算元']
images = [rgb_img, Roberts]
for i in range(2):
plt.subplot(1, 2, i + 1), plt.imshow(images[i], 'gray')
plt.title(titles[i])
plt.xticks([]), plt.yticks([])
plt.show()
最終結果如下：
Prewitt 運算元
Prewitt 運算元是一種一階微分運算元的邊緣檢測，利用畫素點上下、左右鄰點的灰度差，在邊緣處達到極值檢測邊緣，去掉部分偽邊緣，對噪聲具有平滑作用。
由於 Prewitt 運算元採用 3 * 3 模板對區域內的畫素值進行計算，而 Robert 運算元的模板為 2 * 2 ，故 Prewitt 運算元的邊緣檢測結果在水平方向和垂直方向均比 Robert 運算元更加明顯。Prewitt運算元適合用來識別噪聲較多、灰度漸變的影像。
Prewitt 運算元的模版如下：
在程式碼實現上， Prewitt 運算元的實現過程與 Roberts 運算元比較相似，我就不多介紹，直接貼程式碼了：
import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt
# 讀取影像
img = cv.imread('maliao.jpg', cv.COLOR_BGR2GRAY)
rgb_img = cv.cvtColor(img, cv.COLOR_BGR2RGB)
# 灰度化處理影像
grayImage = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
# Prewitt 運算元
kernelx = np.array([[1,1,1],[0,0,0],[-1,-1,-1]],dtype=int)
kernely = np.array([[-1,0,1],[-1,0,1],[-1,0,1]],dtype=int)
x = cv.filter2D(grayImage, cv.CV_16S, kernelx)
y = cv.filter2D(grayImage, cv.CV_16S, kernely)
# 轉 uint8 ,影像融合
absX = cv.convertScaleAbs(x)
absY = cv.convertScaleAbs(y)
Prewitt = cv.addWeighted(absX, 0.5, absY, 0.5, 0)
# 用來正常顯示中文標籤
plt.rcParams['font.sans-serif'] = ['SimHei']
# 顯示圖形
titles = ['原始影像', 'Prewitt 運算元']
images = [rgb_img, Prewitt]
for i in range(2):
plt.subplot(1, 2, i + 1), plt.imshow(images[i], 'gray')
plt.title(titles[i])
plt.xticks([]), plt.yticks([])
plt.show()
從結果上來看， Prewitt 運算元影像銳化提取的邊緣輪廓，其效果圖的邊緣檢測結果比 Robert 運算元更加明顯。
Sobel 運算元
Sobel 運算元的中文名稱是索貝爾運算元，是一種用於邊緣檢測的離散微分運算元，它結合了高斯平滑和微分求導。
Sobel 運算元在 Prewitt 運算元的基礎上增加了權重的概念，認為相鄰點的距離遠近對當前畫素點的影響是不同的，距離越近的畫素點對應當前畫素的影響越大，從而實現影像銳化並突出邊緣輪廓。
演算法模版如下：
Sobel 運算元根據畫素點上下、左右鄰點灰度加權差，在邊緣處達到極值這一現象檢測邊緣。對噪聲具有平滑作用，提供較為精確的邊緣方向資訊。因為 Sobel 運算元結合了高斯平滑和微分求導（分化），因此結果會具有更多的抗噪性，當對精度要求不是很高時， Sobel 運算元是一種較為常用的邊緣檢測方法。
Sobel 運算元近似梯度的大小的計算公式如下：
梯度方向的計算公式如下：
如果以上的角度 θ 等於零，即代表影像該處擁有縱向邊緣，左方較右方暗。
在 Python 中，為我們提供了 Sobel() 函式進行運算，整體處理過程和前面的類似，程式碼如下：
import cv2 as cv
import matplotlib.pyplot as plt
# 讀取影像
img = cv.imread('maliao.jpg', cv.COLOR_BGR2GRAY)
rgb_img = cv.cvtColor(img, cv.COLOR_BGR2RGB)
# 灰度化處理影像
grayImage = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
# Sobel 運算元
x = cv.Sobel(grayImage, cv.CV_16S, 1, 0)
y = cv.Sobel(grayImage, cv.CV_16S, 0, 1)
# 轉 uint8 ,影像融合
absX = cv.convertScaleAbs(x)
absY = cv.convertScaleAbs(y)
Sobel = cv.addWeighted(absX, 0.5, absY, 0.5, 0)
# 用來正常顯示中文標籤
plt.rcParams['font.sans-serif'] = ['SimHei']
# 顯示圖形
titles = ['原始影像', 'Sobel 運算元']
images = [rgb_img, Sobel]
for i in range(2):
plt.subplot(1, 2, i + 1), plt.imshow(images[i], 'gray')
plt.title(titles[i])
plt.xticks([]), plt.yticks([])
plt.show()
Laplacian 運算元
拉普拉斯（ Laplacian ）運算元是 n 維歐幾里德空間中的一個二階微分運算元，常用於影像增強領域和邊緣提取。
Laplacian 運算元的核心思想：判斷影像中心畫素灰度值與它周圍其他畫素的灰度值，如果中心畫素的灰度更高，則提升中心畫素的灰度；反之降低中心畫素的灰度，從而實現影像銳化操作。
在實現過程中， Laplacian 運算元通過對鄰域中心畫素的四方向或八方向求梯度，再將梯度相加起來判斷中心畫素灰度與鄰域內其他畫素灰度的關係，最後通過梯度運算的結果對畫素灰度進行調整。
Laplacian 運算元分為四鄰域和八鄰域，四鄰域是對鄰域中心畫素的四方向求梯度，八鄰域是對八方向求梯度。
四鄰域模板如下：
八鄰域模板如下：
通過模板可以發現，當鄰域內畫素灰度相同時，模板的卷積運算結果為0；當中心畫素灰度高於鄰域內其他畫素的平均灰度時，模板的卷積運算結果為正數；當中心畫素的灰度低於鄰域內其他畫素的平均灰度時，模板的卷積為負數。對卷積運算的結果用適當的衰弱因子處理並加在原中心畫素上，就可以實現影像的銳化處理。
在 OpenCV 中， Laplacian 運算元被封裝在 Laplacian() 函式中，其主要是利用Sobel運算元的運算，通過加上 Sobel 運算元運算出的影像 x 方向和 y 方向上的導數，得到輸入影像的影像銳化結果。
import cv2 as cv
import matplotlib.pyplot as plt
# 讀取影像
img = cv.imread('maliao.jpg', cv.COLOR_BGR2GRAY)
rgb_img = cv.cvtColor(img, cv.COLOR_BGR2RGB)
# 灰度化處理影像
grayImage = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
# Laplacian
dst = cv.Laplacian(grayImage, cv.CV_16S, ksize = 3)
Laplacian = cv.convertScaleAbs(dst)
# 用來正常顯示中文標籤
plt.rcParams['font.sans-serif'] = ['SimHei']
# 顯示圖形
titles = ['原始影像', 'Laplacian 運算元']
images = [rgb_img, Laplacian]
for i in range(2):
plt.subplot(1, 2, i + 1), plt.imshow(images[i], 'gray')
plt.title(titles[i])
plt.xticks([]), plt.yticks([])
plt.show()
最後
邊緣檢測演算法主要是基於影像強度的一階和二階導數，但導數通常對噪聲很敏感，因此需要採用濾波器來過濾噪聲，並呼叫影像增強或閾值化演算法進行處理，最後再進行邊緣檢測。
最後我先使用高斯濾波去噪之後，再進行邊緣檢測：
import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt
# 讀取影像
img = cv.imread('maliao.jpg')
rgb_img = cv.cvtColor(img, cv.COLOR_BGR2RGB)
# 灰度化處理影像
gray_image = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
# 高斯濾波
gaussian_blur = cv.GaussianBlur(gray_image, (3, 3), 0)
# Roberts 運算元
kernelx = np.array([[-1, 0], [0, 1]], dtype = int)
kernely = np.array([[0, -1], [1, 0]], dtype = int)
x = cv.filter2D(gaussian_blur, cv.CV_16S, kernelx)
y = cv.filter2D(gaussian_blur, cv.CV_16S, kernely)
absX = cv.convertScaleAbs(x)
absY = cv.convertScaleAbs(y)
Roberts = cv.addWeighted(absX, 0.5, absY, 0.5, 0)
# Prewitt 運算元
kernelx = np.array([[1, 1, 1], [0, 0, 0], [-1, -1, -1]], dtype=int)
kernely = np.array([[-1, 0, 1], [-1, 0, 1], [-1, 0, 1]], dtype=int)
x = cv.filter2D(gaussian_blur, cv.CV_16S, kernelx)
y = cv.filter2D(gaussian_blur, cv.CV_16S, kernely)
absX = cv.convertScaleAbs(x)
absY = cv.convertScaleAbs(y)
Prewitt = cv.addWeighted(absX, 0.5, absY, 0.5, 0)
# Sobel 運算元
x = cv.Sobel(gaussian_blur, cv.CV_16S, 1, 0)
y = cv.Sobel(gaussian_blur, cv.CV_16S, 0, 1)
absX = cv.convertScaleAbs(x)
absY = cv.convertScaleAbs(y)
Sobel = cv.addWeighted(absX, 0.5, absY, 0.5, 0)
# 拉普拉斯演算法
dst = cv.Laplacian(gaussian_blur, cv.CV_16S, ksize = 3)
Laplacian = cv.convertScaleAbs(dst)
# 展示影像
titles = ['Source Image', 'Gaussian Image', 'Roberts Image',
'Prewitt Image','Sobel Image', 'Laplacian Image']
images = [rgb_img, gaussian_blur, Roberts, Prewitt, Sobel, Laplacian]
for i in np.arange(6):
plt.subplot(2, 3, i+1), plt.imshow(images[i], 'gray')
plt.title(titles[i])
plt.xticks([]), plt.yticks([])
plt.show()
示例程式碼
如果有需要獲取原始碼的同學可以在公眾號回覆「OpenCV」進行獲取。