最近整理一些学习笔记，因为觉得自己基础不扎实，很多算法能用却不知其根源，因此需要不断去回顾和归纳。这篇先写写图像的边缘检测。
边缘检测就是一个寻找边缘像素的过程，这些边缘一般就是局部像素变化比较显著的一些点，主要存在于目标和目标以及前景背景之间。找到这些边缘，对于图像分割与目标识别是很有帮助的。
常用的边缘检测算子有很多，这里以sobel、拉普拉斯算子和canny算子为例，做一些比较。
Sobel算子
Sobel 算子结合了高斯平滑和微分求导。它是一阶导数的边缘检测算子，使用卷积核与图像中的每个像素点做卷积和运算，然后采用合适的阈值提取边缘。Soble算子有两个卷积核，分别对应的是x与y两个方向。
计算过程
1.分别在x和y两个方向求导。
2.在图像的每一点，结合以上两个结果求出近似梯度:
cv2.Sobel(src, ddepth, dx, dy[, dst[, ksize[, scale[, delta[, borderType]]]]])
- src是需要处理的图像；
- ddepth是图像的深度，-1表示采用的是与原图像相同的深度。目标图像的深度必须大于等于原图像的深度；这里使用了cv2.CV_16S 即16位有符号的数据类型,以防止截断。 - dx和dy表示的是求导的阶数，0表示这个方向上没有求导，一般为0、1、2。
- ksize是Sobel算子的大小，必须为1、3、5、7。
Laplace算子
拉普拉斯算子是一种二阶导数算子。在图像中的边缘区域，像素值会发生比较大的变化，对这些像素求导，会看到极值出现，在这些极值位置，其二阶导数为0，所以也可以用二阶导数来检测图像边缘。
Laplacian算子的定义：
cv2.Laplacian(src, ddepth[, dst[, ksize[, scale[, delta[, borderType]]]]])
src是需要处理的图像；
ddepth是图像的深度，解释同上文sobel。
ksize是算子的大小，必须为1、3、5、7。默认为1。
Canny
Canny算子的基本思想是寻找梯度的局部最大值。算子是比较简单的，也很容易实现。
一般步骤：
1. 高斯滤波图像去噪。一般情况下，使用高斯平滑滤波器卷积降噪。
2.计算梯度幅值和方向。运用一对卷积阵列（分别作用于x和y方向）
3.非极大值抑制。这一步排除非边缘像素， 仅仅保留了一些细线条(候选边缘)。
4.需要两个阈值(高阈值和低阈值)检测和连接边缘:
如果某一像素位置的幅值超过高阈值, 这个像素被保留为边缘像素。如果小于低阈值, 该像素被排除。如果在两个阈值之间,要看这个像素的邻接像素中有没有超过高阈值的边缘像素。如果有，这像素就是边缘，否则就不是。
cv2.Canny(scr, threshold1, threshold2[, edges[, apertureSize[, L2gradient]]])
这里scr是需要处理的原图像，该图像必须为单通道的灰度图； threshold1是阈值1； threshold2是阈值2。
实例代码
下面用Python-OpenCV代码比较下上面几种算子的效果。
"""
Created on Thu Oct 25 11:25:15 2018
@author: 晚晴风
"""
import cv2
img = cv2.imread("pascal_19.jpg")
#canny
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
blur = cv2.GaussianBlur(gray,(3,3),0)#高斯滤波器对图像降噪
canny = cv2.Canny(blur,50,150)
cv2.imshow('canny',canny)
#sobel
grad_x = cv2.Sobel(img,cv2.CV_16S,1,0,ksize = 3)
grad_y = cv2.Sobel(img,cv2.CV_16S,0,1,ksize = 3)#第二个参数为图像的深度
u_x = cv2.convertScaleAbs(grad_x) #转化成为8位图形CV_8U进行显示
u_y = cv2.convertScaleAbs(grad_y)
sobel_xy = cv2.addWeighted(u_x,0.5,u_y,0.5,0)#两方向加权求近似梯度
cv2.imshow('sobelX',u_x)
cv2.imshow('sobelY',u_y)
cv2.imshow('sobelXY',sobel_xy)
#Laplace
lap = cv2.Laplacian(img,cv2.CV_16S,ksize = 3)
laplacian = cv2.convertScaleAbs(lap)
cv2.imshow('laplacian',laplacian)
cv2.waitKey(0)
cv2.destroyAllWindows()#释放窗口
运行之后就可以看到三种算子的边缘检测结果：
原图：
Canny算子：
Sobel算子：
Laplace算子：
总结：
- Sobel算子在边缘检测的同时尽量的削弱了噪声。比较容易实现，受噪声的影响力比较小。它对于像素位置的影响作了加权，因此效果更好、应用广泛。
- Laplace算子是一种各向同性算子，在只关心边缘的位置而不考虑其周围的象素灰度差值时比较合适。Laplace算子对孤立象素的响应要比对边缘或线的响应要更强烈，因此只适用于无噪声图象。存在噪声情况下，使用Laplacian算子检测边缘之前需要先进行低通滤波。
- Canny算子是目前理论上相对最完善的一种边缘检测算法。也存在不足之处: 为了得到较好的边缘检测结果，它通常需要使用较大的滤波尺度，这样容易丢失一些细节。算子的双阈值要人为的选取，这需要经验:)
参考资料：
OpenCV官方教程中文版
OpenCV-Python教程
