影像的邊緣檢測

最近整理一些學習筆記，因為覺得自己基礎不紮實，很多演算法能用卻不知其根源，因此需要不斷去回顧和歸納。這篇先寫寫影像的邊緣檢測。

邊緣檢測就是一個尋找邊緣畫素的過程，這些邊緣一般就是區域性畫素變化比較顯著的一些點，主要存在於目標和目標以及前景背景之間。找到這些邊緣，對於影像分割與目標識別是很有幫助的。

常用的邊緣檢測運算元有很多，這裡以sobel、拉普拉斯運算元和canny運算元為例，做一些比較。

Sobel運算元

Sobel 運算元結合了高斯平滑和微分求導。它是一階導數的邊緣檢測運算元，使用卷積核與影像中的每個畫素點做卷積和運算，然後採用合適的閾值提取邊緣。Soble運算元有兩個卷積核，分別對應的是x與y兩個方向。

計算過程

1.分別在x和y兩個方向求導。

2.在影像的每一點，結合以上兩個結果求出近似梯度:

cv2.Sobel(src, ddepth, dx, dy[, dst[, ksize[, scale[, delta[, borderType]]]]])

• src是需要處理的影像；

• ddepth是影像的深度，-1表示採用的是與原影像相同的深度。目標影像的深度必須大於等於原影像的深度；這裡使用了cv2.CV_16S 即16位有符號的資料型別,以防止截斷。 - dx和dy表示的是求導的階數，0表示這個方向上沒有求導，一般為0、1、2。

• ksize是Sobel運算元的大小，必須為1、3、5、7。

Laplace運算元

拉普拉斯運算元是一種二階導數運算元。在影像中的邊緣區域，畫素值會發生比較大的變化，對這些畫素求導，會看到極值出現，在這些極值位置，其二階導數為0，所以也可以用二階導數來檢測影像邊緣。

Laplacian運算元的定義：

laplace.gif

cv2.Laplacian(src, ddepth[, dst[, ksize[, scale[, delta[, borderType]]]]])

• src是需要處理的影像；

• ddepth是影像的深度，解釋同上文sobel。

• ksize是運算元的大小，必須為1、3、5、7。預設為1。

Canny

Canny運算元的基本思想是尋找梯度的區域性最大值。運算元是比較簡單的，也很容易實現。

一般步驟：
1. 高斯濾波影像去噪。一般情況下，使用高斯平滑濾波器卷積降噪。
2.計算梯度幅值和方向。運用一對卷積陣列（分別作用於x和y方向）
3.非極大值抑制。這一步排除非邊緣畫素， 僅僅保留了一些細線條(候選邊緣)。
4.需要兩個閾值(高閾值和低閾值)檢測和連線邊緣:

如果某一畫素位置的幅值超過高閾值, 這個畫素被保留為邊緣畫素。如果小於低閾值, 該畫素被排除。如果在兩個閾值之間,要看這個畫素的鄰接畫素中有沒有超過高閾值的邊緣畫素。如果有，這畫素就是邊緣，否則就不是。

cv2.Canny(scr, threshold1, threshold2[, edges[, apertureSize[, L2gradient]]])

這裡scr是需要處理的原影像，該影像必須為單通道的灰度圖；   threshold1是閾值1；   threshold2是閾值2。

例項程式碼

下面用Python-OpenCV程式碼比較下上面幾種運算元的效果。

"""
Created on Thu Oct 25 11:25:15 2018
@author: 晚晴風
"""import cv2

img = cv2.imread("pascal_19.jpg")#cannygray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
blur = cv2.GaussianBlur(gray,(3,3),0)#高斯濾波器對影像降噪canny = cv2.Canny(blur,50,150)

cv2.imshow('canny',canny)#sobelgrad_x = cv2.Sobel(img,cv2.CV_16S,1,0,ksize = 3)
grad_y = cv2.Sobel(img,cv2.CV_16S,0,1,ksize = 3)#第二個引數為影像的深度u_x = cv2.convertScaleAbs(grad_x) #轉化成為8點陣圖形CV_8U進行顯示u_y = cv2.convertScaleAbs(grad_y)
sobel_xy = cv2.addWeighted(u_x,0.5,u_y,0.5,0)#兩方向加權求近似梯度cv2.imshow('sobelX',u_x)
cv2.imshow('sobelY',u_y)
cv2.imshow('sobelXY',sobel_xy)#Laplacelap = cv2.Laplacian(img,cv2.CV_16S,ksize = 3)
laplacian = cv2.convertScaleAbs(lap)

cv2.imshow('laplacian',laplacian)
cv2.waitKey(0)
cv2.destroyAllWindows()#釋放視窗

執行之後就可以看到三種運算元的邊緣檢測結果：

原圖：

pascal_19.jpg

Canny運算元：

canny.jpg

Sobel運算元：

sobelXY.jpg

Laplace運算元：

laplacian.jpg

總結：

• Sobel運算元在邊緣檢測的同時儘量的削弱了噪聲。比較容易實現，受噪聲的影響力比較小。它對於畫素位置的影響作了加權，因此效果更好、應用廣泛。

• Laplace運算元是一種各向同性運算元，在只關心邊緣的位置而不考慮其周圍的象素灰度差值時比較合適。Laplace運算元對孤立象素的響應要比對邊緣或線的響應要更強烈，因此只適用於無噪聲圖象。存在噪聲情況下，使用Laplacian運算元檢測邊緣之前需要先進行低通濾波。

• Canny運算元是目前理論上相對最完善的一種邊緣檢測演算法。也存在不足之處: 為了得到較好的邊緣檢測結果，它通常需要使用較大的濾波尺度，這樣容易丟失一些細節。運算元的雙閾值要人為的選取，這需要經驗:)

作者：晚晴風_
連結：