目錄

一.圖像邊緣檢測

1.圖像邊緣檢測概述

2.Sobel算子原理與實現

3.Scharr算子

4.Laplacian算子

5.Canny邊緣檢測（重點）

6.效果對比

---

一.圖像邊緣檢測

1.圖像邊緣檢測概述

2.Sobel算子原理與實現

代碼是實現步驟：

• 邊緣檢測是圖像處理和計算機視覺中的重要工具，用于檢測數字圖像中的明顯變化、邊緣或不連續區域。
• 主要方法包括：Sobel算子、scharr算子，Laplacian算子、Canny算子等。
• Sobel算子結合高斯平滑和微分求導，通過局部差分計算梯度近似值。
• 包含兩組3x3矩陣（橫向和縱向模板），分別用于水平和垂直方向的邊緣檢測。
• 橫向檢測：用右邊像素值減去左邊像素值；縱向檢測：用下方像素值減去上方像素值。
• 檢測時需分步進行（先橫向后縱向），避免同時設置dx=1和dy=1導致結果不理想（線條過細且存在空洞）。
• 橫向檢測：
  • 使用cv2.Sobel()，設置dx=1、dy=0，數據類型為cv2.CV_64F以保存負數梯度值。
  • 對結果取絕對值（cv2.convertScaleAbs）將負數轉為正數顯示。
• 縱向檢測：
  • 設置dx=0、dy=1，同樣使用cv2.CV_64F并取絕對值。
• 融合結果：通過圖像加權融合（cv2.addWeighted）將橫向和縱向檢測結果合并，填補空洞。

import cv2
#1.sobel算子
yuan=cv2.imread('img.png',0)
cv2.imshow('yuan',yuan)
cv2.waitKey(0)
#x方向上的邊緣
yuan_x=cv2.Sobel(yuan,-1,dx=1,dy=0)#信息范圍（0~255）
cv2.imshow('yuan_x',yuan_x)
cv2.waitKey(0)
yuan_x_64=cv2.Sobel(yuan,cv2.CV_64F,dx=1,dy=0)#信息范圍（-1020~1020）
cv2.imshow('yuan_x_64',yuan_x_64)
cv2.waitKey(0)
#x方向上的邊緣含負數信息無法顯示，所以進行取絕對值操作
yuan_x_full=cv2.convertScaleAbs(yuan_x_64)
cv2.imshow('yuan_x_full',yuan_x_full)
cv2.waitKey(0)
#y方向上的邊緣
yuan_y_64=cv2.Sobel(yuan,cv2.CV_64F,dx=0,dy=1)#信息范圍（-1020~1020）
cv2.imshow('yuan_y_64',yuan_y_64)
cv2.waitKey(0)
yuan_y_full=cv2.convertScaleAbs(yuan_y_64)
cv2.imshow('yuan_y_full',yuan_y_full)
cv2.waitKey(0)
#圖像加權運算組合
yuan_xy_full=cv2.addWeighted(yuan_x_full,1,yuan_y_full,1,0)
cv2.imshow('yuan_xy_full',yuan_xy_full)
cv2.waitKey(0)
cv2.destroyAllWindows()

注意事項：

• 輸入圖像需先轉換為灰度圖。
• 避免直接使用unit8數據類型（會丟失負數梯度信息），推薦使用cv2.CV_64F。
• 分步檢測后融合的效果優于同時設置dx=1和dy=1。

3.Scharr算子

• 改進：中心權重更大（中間為10，四角為3），精度更高，但線條更密集（可能包含更多偽邊緣）。
• 代碼實現：僅需將Sobel算子中的cv2.Sobel改為cv2.Scharr。

#2.scharr算子
img=cv2.imread('img.png',0)
cv2.imshow('img',img)
cv2.waitKey(0)
img_x_64 = cv2.Scharr(img,cv2.CV_64F,dx=1,dy=0)
img_x_full=cv2.convertScaleAbs(img_x_64)
img_y_64 = cv2.Scharr(img,cv2.CV_64F,dx=0,dy=1)
img_y_full=cv2.convertScaleAbs(img_y_64)
img_xy_full=cv2.addWeighted(img_x_full,1,img_y_full,1,0)
cv2.imshow('img_xy_full',img_xy_full)
cv2.waitKey(0)

4.Laplacian算子

• 特點：不區分方向（直接計算變化率），卷積核中心為-4，四周為1，無需分步融合。
• 代碼：cv2.Laplacian?+ 取絕對值，步驟更簡單，但效果較粗糙（線條斷續、顏色淡）。

  img=cv2.imread('img.png',0)
  img_lap=cv2.Laplacian(img,cv2.CV_64F)
  img_lap_full=cv2.convertScaleAbs(img_lap)
  cv2.imshow('img_lap_full',img_lap_full)
  cv2.waitKey(0)

  

5.Canny邊緣檢測（重點）

• 原理：
  1. 高斯降噪：去除噪聲干擾。
  2. 梯度計算：通過Sobel算子計算梯度幅值和方向（像素變化最劇烈的方向）。
  3. 非極大值抑制：保留梯度方向上最亮的點，抑制其他點。
  4. 雙閾值篩選：
     • 高閾值（如150）：強邊緣（保留）。
     • 低閾值（如100）：弱邊緣（若與強邊緣連接則保留，否則剔除）。
• 代碼實現

  #4.canny算子
  img=cv2.imread('img.png',0)
  img_canny=cv2.Canny(img,120,180)
  img_canny_full=cv2.convertScaleAbs(img_canny)
  cv2.imshow('img_canny_full',img_canny_full)
  cv2.waitKey(0)
  cv2.destroyAllWindows()
  

• 優勢

邊緣更細、更真實（避免偽邊緣）。

背景干凈（純黑），僅保留顯著輪廓。

• 參數調整：閾值過高可能導致邊緣斷裂，過低則噪聲增多。

6.效果對比

• Sobel/Scharr：檢測較多細節（如花紋），但可能包含非邊緣信息。
• Laplacian：線條較淡，連續性差。
• Canny：僅保留強邊緣（如人物輪廓），背景純凈，適合