系列文章目录

提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加
例如：第一章 Python 机器学习入门之pandas的使用

---

提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档

---

前言

提示：这里可以添加本文要记录的大概内容：

例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。

---

一、Laplacian边缘检测

#test5-1.py：拉普拉斯边缘检测
import cv2
img=cv2.imread('bee.jpg')  		        #读取图像
cv2.imshow('original',img)  	        #显示原图像
img2=cv2.Laplacian(img,cv2.CV_8U,ksize=1) 	  
img3=cv2.Laplacian(img,-1,ksize=5)   
                                        #边缘检测 ksize ksize是算子的大小，必须为1、3、5、7。默认为1 用于计算二阶导数的滤波器的孔径尺寸，大小必须为正奇数（正奇数才能有中心点）
                                        #cv2.cv_8U,输出图像的深度（数据类型）
                                        #可以使用-1, 与原图像保持一致np.uint8
                                        #数据类型结构： CV_ 【bit_depth】【S/U/F】【C<number_of_channels>】
                                        #CV_8U - 8位无符号整数（0..255）
cv2.imshow('Laplacian2',img2)  	        #显示结果
cv2.imshow('Laplacian3',img3)  	        #显示结果
cv2.waitKey(0)

opencv:边缘检测之Laplacian算子思想及实现
Opencv学习——边缘检测（Laplacian）

二、Sobel边缘检测

#test5-2.py：Sobel边缘检测
import cv2
img=cv2.imread('bee.jpg')  	        #读取图像
cv2.imshow('original',img)  	        #显示原图像
img2=cv2.Sobel(img,cv2.CV_8U,0,1)   #边缘检测
                                    #dx和dy指的是求导的阶数，0表示这个方向上没有求导，所填的数一般为0、1、2
                                    #(0表示不求偏导，1表示1阶偏导，2表示2阶偏导)
                                    # dx >= 0 && dy >= 0 && dx+dy > 0
                                    #ksize是Sobel算子的大小，即卷积核的大小，必须为奇数1、3、5、7。如果ksize=-1，就演变成为3x3的Scharr算子，
                                    # scale是缩放导数的比例常数，默认情况为没有伸缩系数。
                                    # borderType是判断图像边界的模式，这个参数默认值为cv2.BORDER_DEFAULT。
img3=cv2.Sobel(img,cv2.CV_8U,0,1,ksize=7)   #sobel内核大小设置为7
img4=cv2.Sobel(img,cv2.CV_8U,0,2)   #dx=0  dy=2 表示对y求二阶偏导

cv2.imshow('Sobel_2',img2)  	        #显示结果
cv2.imshow('Sobel_3',img3)  	        #显示结果
cv2.imshow('Sobel_4',img4)
cv2.waitKey(0)

OpenCV——Sobel边缘检测

三、Canny边缘检测

OpenCV——Canny边缘检测（cv2.Canny()）

Canny()边缘检测步骤
Canny 边缘检测分为如下几个步骤：
步骤 1：去噪。噪声会影响边缘检测的准确性，因此首先要将噪声过滤掉。
步骤 2：计算梯度的幅度与方向。
步骤 3：非极大值抑制，即适当地让边缘“变瘦”。
步骤 4：确定边缘。使用双阈值算法确定最终的边缘信息。

#test5-3.py：Canny边缘检测
import cv2
img=cv2.imread('bee.jpg')  	            #读取图像
cv2.imshow('original',img)  	        #显示原图像
img2=cv2.Canny(img,200,300)             #边缘检测
                                        #threshold1 表示处理过程中的第一个阈值。
                                        #threshold2 表示处理过程中的第二个阈值。
                                        #其中一个为高阈值 maxVal，另一个为低阈值 minVal。
                                        # 根据当前边缘像素的梯度值（指的是梯度幅度，下同）
                                        # 与这两个阈值之间的关系，判断边缘的属性
img3=cv2.Canny(img,100,400)
cv2.imshow('Canny_2',img2)  	            #显示结果
cv2.imshow('Canny_3',img3)  	            #显示结果

cv2.waitKey(0)

OpenCV——Canny边缘检测（cv2.Canny()）

总结

提示：这里对文章进行总结：

1. Laplacian和Sobel边缘检测：ksize是算子的大小，必须为1、3、5、7。默认为1 用于计算二阶导数的滤波器的孔径尺寸，大小必须为正奇数（正奇数才能有中心点）
2. 数据类型结构： CV_ 【bit_depth】【S/U/F】【C<number_of_channels>】CV_8U - 8位无符号整数（0…255）
3. Sobel边缘检测中：dx和dy指的是求导的阶数，0表示这个方向上没有求导，所填的数一般为0、1、2（dx >= 0 && dy >= 0 && dx+dy > 0）
4. Canny边缘检测中：其中一个为高阈值 maxVal，另一个为低阈值 minVal。