Python OpenCV图像锐化与边缘检测实战：Sobel、Laplacian、Scharr及Canny算子详解

本文所引用的参考文献及学术论文链接均附于原文之中，相关论文已上传至资源区供免费下载学习。若资源区暂未显示，请耐心等待审核通过。期待与各位共同学习，携手进步，加油！

前言

（1）图像锐化

在前一篇关于图像噪声滤除的文章中，我们采用了图像平滑技术。图像平滑通过滤除高频成分来实现，但高频部分恰恰承载了图像的细节信息，因此平滑处理会导致图像模糊，这在某些图像处理场景中并不理想。为此，我们需要对平滑后的图像进行适当的锐化处理，以增强边缘清晰度，从而更便于观察和分析图像细节。

（2）图像边缘检测

a. 图像边缘

图像蕴含的大量信息集中在边缘区域，主要体现为局部特征的不连续性，即灰度变化剧烈的部位。因此，图像边缘被定义为灰度发生急剧变化的区域边界。依据灰度变化的剧烈程度，边缘通常可分为阶跃状和屋顶状两类：阶跃边缘两侧灰度差异显著，而屋顶边缘则位于灰度由增转减的交界处。

b. 边缘检测

边缘检测旨在提取图像中关于形状、反射率或透射比的信息，这是图像处理、图像分析、模式识别、计算机视觉以及人类视觉系统的基础步骤之一。边缘检测结果的准确性与可靠性，直接决定了机器视觉系统对客观世界理解的精准度。

本文侧重于Python的实际代码操作，暂不涉及复杂的概念解释与数学推导。后续如有时间，将专门撰写系列文章深入讲解相关理论概念。

1. 一阶微分算子、二阶微分算子

前文提及，图像边缘分为阶跃状和屋顶状两种类型。其中，阶跃边缘两侧的灰度值变化明显，而屋顶边缘位于灰度值由增加转为减少的交界处。

针对这两种边缘，分别求取一阶和二阶导数即可表征边缘点的变化特征。具体而言，对于阶跃边缘点，其灰度变化曲线的一阶导数在该点达到极大值，而二阶导数在该点与零交叉（这体现了一阶与二阶导数的物理意义）；对于屋顶边缘点，其灰度变化曲线的一阶导数在该点与零交叉（因为该点是局部最大值点），而二阶导数在该点达到极大值。

2. 读取图像信息

在本计算机视觉专栏中，第一步始终是经典的图像读取操作，且我们选用了一张美女图像作为示例：

"""
Author:XiaoMa
date:2021/10/29
"""
import cv2
import matplotlib.pyplot as plt
#读取图像信息
img0 = cv2.imread("E:\From Zhihu\For the desk\cvten2.jpg")
img1 = cv2.resize(img0, dsize = None, fx = 0.5, fy = 0.5)
img2 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
cv2.imwrite("E:\From Zhihu\For the desk\cvtenGray.jpg", img2)   #保存灰度图
h, w = img1.shape[:2]
print(h, w)
cv2.namedWindow("W0")
cv2.imshow("W0", img1)
cv2.waitKey(delay = 0)

获取的图像信息如下所示：

395 702

接下来，我们将对图像执行边缘检测操作。

3. Sobel 算子

#Sobel 算子
img3 = cv2.Sobel (img2, cv2.CV_64F, 0, 1, ksize=5)
cv2.namedWindow("W3")
cv2.imshow("W3", img3)
cv2.waitKey(delay = 0)

4. Laplacian 算子

#Laplacian 算子
img7 = cv2.Laplacian(img2, cv2.CV_64F)
cv2.namedWindow("W7")
cv2.imshow("W7", img7)
cv2.waitKey(delay = 0)

5. Scharr 算子

#Scharr 算子
img9 = cv2.Scharr(img2, cv2.CV_64F, 0, 1)
cv2.namedWindow("W9")
cv2.imshow("W9", img9)
cv2.waitKey(delay = 0)

6. Canny 算子

#canny 算子
img4 = cv2.Canny(img2, 100, 200)
cv2.namedWindow("W4")
cv2.imshow("W4", img4)
cv2.waitKey(delay = 0)

7. 总结

由于时间有限，本文在介绍图像锐化及边缘检测时未涉及过多的理论知识与公式推导。待日后时间充裕，我将补充相关内容或专门撰写一篇总结理论知识的文章，希望能对大家有所帮助。参考文献已按惯例附于文末。

8. 参考论文

至此，关于Python计算机视觉编程进阶之OpenCV图像锐化及边缘检测的文章介绍完毕。如需了解更多Python OpenCV图像相关内容，欢迎搜索本站往期文章或继续阅读后续文章。感谢大家的支持！