opencv学习之边缘检测

边缘检测是图像处理 过程中经常会涉及到的一个环节。而在计算机视觉 和 机器学习领域，边缘检测 用于 特征提取 和 特征检测 效果也是特别明显。而 openCV 中进行边缘检测的算法真是五花八门，下面我就选几个最常用算法的函数api进行介绍。

本文涉及到的效果请看：边缘检测

内容大纲

转换灰度图
自适应阈值处理
Sobel算子
Scharr算子
Laplacian算子
Canny边缘检测
Sobel算子结合 Laplacian算子

转换灰度图

openCV 中有个色彩类型转换函数，其中转换为灰度图（ cv.COLOR_RGB2GRAY）出现频率非常高，是其他操作的基础，色彩类型转换函数：

cv.cvtColor (src, dst, code, dstCn = 0)

src: 原始图像
dst: 输出图像
code: 色彩空间转换码，灰度图为cv.COLOR_RGB2GRAY，其他类型可查api文档
dstcn: 图像通道数

const src = cv.imread(img);//读取图像数据

const dst = new cv.Mat();//输出的图像

cv.cvtColor(src, dst, cv.COLOR_RGB2GRAY, 0);//转换为灰度图

cv.imshow(canvas, dst);

src.delete();

dst.delete();

自适应阈值处理

自适应阈值处理的方式通过计算每个像素点周围邻近区域的加权平均值获得阈值，并使用该阈值对当前像素点进行处理。自适应阈值处理函数：

cv.adaptiveThreshold(src, dst, maxValue, adaptiveMethod, thresholdType)

maxValue：需要处理的最大值
adaptiveMethod：自适应阈值算法，可选 cv.ADAPTIVE_THRESH_GAUSSIAN_C （高斯方程）或 cv.ADAPTIVE_THRESH_MEAN_C（加权平均）
thresholdType：阈值处理方法，可选 cv.THRESH_BINARY（二值化）或 cv.THRESH_BINARY_INV（二值化取反）

const src = cv.imread(img);

const dst = new cv.Mat();

cv.cvtColor(src, src, cv.COLOR_RGBA2GRAY, 0);//转换为灰度图

cv.adaptiveThreshold(src, dst, 255, cv.ADAPTIVE_THRESH_GAUSSIAN_C, cv.THRESH_BINARY, 5, 7);//自适应阈值处理

cv.imshow(canvas, dst);//显示输出图像

效果如下：

Sobel算子

Sobel算子结合了高斯平滑和微分求导运算，利用局部差分寻找边缘，计算所得到的是一个梯度近似值。Sobel算子比较特殊的地方是要分别横向计算和纵向计算，然后再把两者结合，这就需要用到 cv.addWeighted 这个函数按比例显示输出图像xy方向的占比。Sobel算子函数：

cv.Sobel (src, dst, ddepth, dx, dy, ksize = 3, scale = 1, delta = 0, borderType = cv.BORDER_DEFAULT)

ddepth：输出图像的深度，可选 cv.CV_8U，cv.CV_16U，cv.CV_32F，cv.CV_64F
dx：x方向求导
dy：y方向求导
ksize：核大小，可选1，3，5，7
scale：缩放因子，默认1
delta：图像dst的值，默认0
borderType：边界样式，具体可查看api文档

const src = cv.imread(img);

const dstx = new cv.Mat();

const dsty = new cv.Mat();

const dst = new cv.Mat();

cv.cvtColor(src, src, cv.COLOR_RGB2GRAY, 0);

cv.Sobel(src, dstx, cv.CV_8U, 1, 0, 1, 3, 0, cv.BORDER_DEFAULT); //Sobel算子 x方向

cv.Sobel(src, dsty, cv.CV_8U, 0, 1, 1, 3, 0, cv.BORDER_DEFAULT); //Sobel算子 y方向

cv.addWeighted(dstx, 0.5, dsty, 0.5, 0, dst); //分别给xy方向分配权重比例

cv.imshow(canvas, dst);

效果如下：

Scharr算子

Scharr算子可以看做是对Sobel算子的改进，它的精度更高，调用方式和Sobel算子基本一致，只是少了ksize 这个参数，下面直接看调用代码不同的部分：

cv.Scharr(src, dstx, cv.CV_8U, 1, 0, 1, 0, cv.BORDER_DEFAULT); //Scharr算子 x方向

cv.Scharr(src, dsty, cv.CV_8U, 0, 1, 1, 0, cv.BORDER_DEFAULT); //Scharr算子 y方向

cv.addWeighted(dstx, 0.5, dsty, 0.5, 0, dst); //分别给xy方向分配权重比例

效果如下：

Laplacian算子

Laplacian（拉普拉斯）算子是一种二阶导数算子，可以满足不同方向的图像边缘锐化，Laplacian（拉普拉斯）算子分别进行了两次横向和纵向的计算。因此就不用跟 Sobel算子和 Scharr算子一样要分别单独计算xy了。Laplacian算子函数：

cv.Laplacian (src, dst, ddepth, ksize = 1, scale = 1, delta = 0, borderType = cv.BORDER_DEFAULT)

ddepth：输出图像的深度，可选 cv.CV_8U，cv.CV_16U，cv.CV_32F，cv.CV_64F
ksize：核大小，可选1，3，5，7
scale：缩放因子，默认1
delta：图像dst的值，默认0
borderType：边界样式，具体可查看api文档

const src = cv.imread(img);

const dst = new cv.Mat();

cv.cvtColor(src, src, cv.COLOR_RGB2GRAY, 0);

cv.Laplacian(src, dst, cv.CV_8U, 1, 1, 0, cv.BORDER_DEFAULT); //拉普拉斯算子

cv.imshow(canvas, dst);

效果如下：

Canny边缘检测

Canny边缘检测是一种使用多级边缘检测算法的方法。它会经过去噪，计算梯度，非极大值抑制，确定边缘这几个步骤，好像很强大的感觉。Canny函数：

cv.Canny(src, dot, threshold1, threshold2, apertureSize = 3, L2gradient = false)

threshold1: 第一个阈值，值较小时能获取更多边缘信息
threshold2: 第二个阈值，值较小时能获取更多边缘信息
apertureSize: 孔径大小
L2gradient: 图像梯度幅度，默认False

const src = cv.imread(img);

const dst = new cv.Mat();

cv.cvtColor(src, src, cv.COLOR_RGB2GRAY, 0);

cv.Canny(src, dst, 50, 100, 3, false);

cv.imshow(canvas, dst);

效果如下：

Sobel算子结合 Laplacian算子

openCV 还可以将不同算法结合起来，达到更好的效果，我们就以 Sobel算子结合 Laplacian算子为例

const src = cv.imread(img);

const dstx = new cv.Mat();

const dsty = new cv.Mat();

const dst = new cv.Mat();

const dst2 = new cv.Mat();

cv.Sobel(src, dstx, cv.CV_8U, 1, 0, 1, 3, 0, cv.BORDER_DEFAULT); //sobel算子 x方向

cv.Sobel(src, dsty, cv.CV_8U, 0, 1, 1, 3, 0, cv.BORDER_DEFAULT); //sobel算子 y方向

cv.addWeighted(dstx, 0.5, dsty, 0.5, 0, dst); //分别给xy方向分配权重比例

cv.Laplacian(src, dst2, cv.CV_8U, 1, 1, 0, cv.BORDER_DEFAULT); //拉普拉斯算子

const mask = new cv.Mat();

cv.add(dst, dst2, dst2, mask, -1); //图像相加

cv.imshow(canvas, dst2);

效果如下：

总结

openCV中实现边缘检测远不止上面介绍的几种，还有一种更强大的方式实现边缘检测，那就是傅立叶变换，它完全可以实现上面说的算法，但是比较复杂而已。我们需要做的就是了解清楚每种算法效果有什么差异，以及最适合使用的场景。