边缘检测是图像处理和计算机视觉中的基本问题，边缘检测的⽬的是标识数字图像中亮度变化明显的点。有许多⽅法⽤于边缘检测,⼤部分可以划分为两类：基于搜索和基于零穿越。
基于搜索：通过寻找图像⼀阶导数中的最⼤值来检测边界，然后利⽤计算结果估计边缘的局部⽅向，通常采⽤梯度的⽅向，并利⽤此⽅向找到局部梯度模的最⼤值，代表算法是Sobel算⼦Scharr算⼦。
基于零穿越：通过寻找图像⼆阶导数零穿越来寻找边界，代表算法是Laplacian算⼦。
Sobel检测算子
Sobel算⼦是⾼斯平滑与微分操作的结合体，所以其抗噪声能⼒很强，⽤途较多。尤其是效率要求较⾼，⽽对细纹理不太关⼼的时候。
cv2.Sobel(src, ddepth, dx, dy, dst, ksize, scale, delta, borderType)参数：src：传⼊的图像 ddepth: 图像的深度 dx和dy: 指求导的阶数，0表示这个⽅向上没有求导，取值为0、1。
ksize: 是Sobel算⼦的⼤⼩，即卷积核的⼤⼩，必须为奇数1、3、5、7，默认为3。注意：如果ksize=-1，就演变成为3x3的Scharr算⼦。
scale：缩放导数的⽐例常数，默认情况为没有伸缩系数。
borderType：图像边界的模式，默认值为cv2.BORDER_DEFAULT。
Sobel函数求完导数后会有负值，还有会⼤于255的值。⽽原图像是uint8，即8位⽆符号数，所以Sobel建⽴的图像位数不够，会有截断。因此要使⽤16位有符号的数据类型，即cv2.CV_16S。处理完图像后，再使⽤cv2.convertScaleAbs()函数将其转回原来的uint8格式，否则图像⽆法显示。
Sobel算⼦是在两个⽅向计算的，最后还需要⽤cv2.addWeighted( )函数将其组合起来
def test():img = cv.imread('img_1.png', 0)# Sobel 检测sobel_x = cv.Sobel(img,cv.CV_16S,1,0)sobel_y = cv.Sobel(img,cv.CV_16S,0,1)# 将数据进⾏转换 convert 转换 scale 缩放sobel_x = cv.convertScaleAbs(sobel_x)sobel_y = cv.convertScaleAbs(sobel_y)# ksize = -1就演变成为3x3的Scharr算子scharr_x = cv.Sobel(img,cv.CV_16S,1,0,ksize=-1)scharr_y = cv.Sobel(img,cv.CV_16S,0,1,ksize=-1)# 将数据进⾏转换 convert 转换 scale 缩放scharr_x = cv.convertScaleAbs(scharr_x)scharr_y = cv.convertScaleAbs(scharr_y)# 混合sobel_img = cv.addWeighted(sobel_x, 0.5, sobel_y, 0.5, 0)scharr_img = cv.addWeighted(scharr_x, 0.5, scharr_y, 0.5, 0)# 展示plt.figure(figsize=(10,5))plt.subplot(231),plt.imshow(img, cmap="gray"),plt.title('Original'),plt.xticks([]), plt.yticks([])plt.subplot(232),plt.imshow(sobel_x, cmap="gray"),plt.title('sobel_x'),plt.xticks([]), plt.yticks([])plt.subplot(233),plt.imshow(sobel_y, cmap="gray"),plt.title('sobel_y'),plt.xticks([]), plt.yticks([])plt.subplot(234),plt.imshow(sobel_img, cmap="gray"),plt.title('sobel_img'),plt.xticks([]), plt.yticks([])plt.subplot(235),plt.imshow(scharr_img, cmap="gray"),plt.title('scharr_img'),plt.xticks([]), plt.yticks([])plt.show()
Laplacian算子
Laplacian是利⽤⼆阶导数来检测边缘 。
cv2.Laplacian(src, ddepth[, dst[, ksize[, scale[, delta[, borderType)参数：Src: 需要处理的图像，Ddepth: 图像的深度，-1表示采⽤的是原图像相同的深度，⽬标图像的深度必须⼤于等于原图像的深度；ksize：算⼦的⼤⼩，即卷积核的⼤⼩，必须为1,3,5,7。
Canny边缘检测
Canny边缘检测算法是由4步构成
第⼀步：噪声去除
由于边缘检测很容易受到噪声的影响，所以⾸先使⽤5*5⾼斯滤波器去除噪声
第⼆步：计算图像梯度
对平滑后的图像使⽤ Sobel 算⼦计算⽔平⽅向和竖直⽅向的⼀阶导数
第三步：⾮极⼤值抑制
对每⼀个像素进⾏检查，看这个点的梯度是不是周围具有相同梯度⽅向的点中最⼤
第四步：滞后阈值
设置两个阈值： minVal 和 maxVal。 当图像的灰度梯度⾼于 maxVal 时被认为是真的边界， 低于 minVal 的边界会被抛弃。如果介于两者之间的话，就要看这个点是否与某个被确定为真正的边界点相连，如果是就认为它也是边界点，如果不是就抛弃。
canny = cv2.Canny(image, threshold1, threshold2)参数：image:灰度图，threshold1: minval，较⼩的阈值将间断的边缘连接起来
threshold2: maxval，较⼤的阈值检测图像中明显的边缘
def test():img = cv.imread('cat.jpg', 0)# laplacianlaplacian_img = cv.Laplacian(img,cv.CV_64F)laplacian_img = cv.convertScaleAbs(laplacian_img)# Canny边缘检测# 高斯滤波blur_gauss = cv.GaussianBlur(img, (5, 5), 0)canny_img = cv.Canny(blur_gauss, 0, 100)plt.figure(figsize=(10,5))plt.subplot(131),plt.imshow(img, cmap="gray"),plt.title('Original')plt.subplot(132),plt.imshow(laplacian_img, cmap="gray"),plt.title('laplacian_img')plt.subplot(133),plt.imshow(canny_img, cmap="gray"),plt.title('canny_img')plt.show()
