本文開始Python - opencv的學習，因為有一些影象基礎，圖形學的基礎部分（包括影象基本知識、環境部署、灰度直方圖和二值化、影象縮放、腐蝕膨脹、開閉運算）跳過，直接從常用處理和機器學習開始。

本文記錄opencv的邊緣檢測應用。

一. Sobel運算元

sobel運算元的思想，Sobel運算元認為，鄰域的畫素對當前畫素產生的影響不是等價的，所以距離不同的畫素具有不同的權值，對運算元結果產生的影響也不同。一般來說，距離越遠，產生的影響越小。

sobel運算元的原理，對傳進來的影象畫素做卷積，卷積的實質是在求梯度值，或者說給了一個加權平均，其中權值就是所謂的卷積核；然後對生成的新畫素灰度值做閾值運算，以此來確定邊緣資訊。

原圖中的作用點畫素值通過卷積之後為：

可以簡化成：

比如，一下矩陣為原圖中的畫素點矩陣，帶入上式中的A，最終得到的G或者|G|是下面(x,y)處的畫素值，可以自己去搜索下卷積的含義來理解。

另外，卷積核也可以旋轉，用與查詢不與x,y軸平行或垂直的方向上的邊緣。

一般來說，對影象分別進行x和y兩個方向的sobel運算再求和，比先進行一個方向，再進行另一個方向效果要好很多。

例子：

原圖：

程式碼：

 1 import cv2
 2 
 3 if __name__ == '__main__':
 4     img = cv2.imread('../pics/1.jpg', cv2.IMREAD_GRAYSCALE)
 
 5     cv2.imshow('img', img)
 6     sobel_x = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=3)
 7     sobel_x = cv2.convertScaleAbs(sobel_x)
 8     sobel_y = cv2.Sobel(img, cv2.CV_64F, 0, 1, ksize=3)
 9     sobel_y = cv2.convertScaleAbs(sobel_y)
10     sobel_xy = cv2.addWeighted(sobel_x, 0.5, sobel_y, 0.5, 0)
11
 
     cv2.imshow('img', sobel_xy)
12     cv2.waitKey()
13     cv2.destroyAllWindows()

這裡convertScaleAbs函式是一個位深轉化函式，可將任意型別的資料轉化為CV_8UC1。具體資料處理方式如下：

(1). 對於src*alpha+beta的結果如果是負值且大於-255，則直接取絕對值；

(2). 對於src*alpha+beta的結果如果大於255，則取255；

(3). 對於src*alpha+beta的結果是負值，且小於-255，則取255；

(4). 對於src*alpha+beta的結果如果在0-255之間，則保持不變；

對於單方向sobel以後，卷積乘到的賦值進行一個變換，可以實現兩個方向分別求卷積

效果：

人的輪廓基本上能分割出來

二. Scharr運算元和Laplacian運算元

特點：對邊界識別度更高，缺點是對噪聲很敏感

兩者演算法和Sobel很像，都是求卷積

程式碼：

 1 import cv2
 2 import numpy as np
 3 
 4 if __name__ == '__main__':
 5     img = cv2.imread('../pics/1.jpg', cv2.IMREAD_GRAYSCALE)
 6 
 7     scharr_x = cv2.Scharr(img, cv2.CV_64F, 1, 0)
 8     scharr_x = cv2.convertScaleAbs(scharr_x)
 9     scharr_y = cv2.Scharr(img, cv2.CV_64F, 0, 1)
10     scharr_y = cv2.convertScaleAbs(scharr_y)
11     scharr_xy = cv2.addWeighted(scharr_x, 0.5, scharr_y, 0.5, 0)
12 
13     laplacian = cv2.Laplacian(img, cv2.CV_64F)
14     laplacian = cv2.convertScaleAbs(laplacian)
15 
16     res = np.hstack((scharr_xy, laplacian))
17     cv2.imshow('img', res)
18     cv2.waitKey()

效果：