我們先看幾幅簡單的圖像：

這3幅圖像，都只有極其簡單的線條，組成了物體的輪廓，我們“人”一看就知道是什么物體。也就是說，我們?nèi)祟愐曈X通過物體邊緣就能夠做到識別物體。因此，物體邊緣是圖像中最基本也是最重要的特征，圖像識別、理解的第一步就是邊緣檢測。

那么，什么是邊緣呢？很遺憾，盡管邊緣在圖像處理中有著極其重要的作用，但好像并沒有嚴(yán)格精確的定義。一般認(rèn)為：兩個具有不同灰度的均勻圖像區(qū)域的邊界稱為邊緣。沿邊緣方向的灰度變化比較平緩，而邊緣法線方向的灰度變化比較劇烈。

對于邊緣檢測，我們并不陌生，在前面的文章中，提到了圖像的一階微分和二階微分。當(dāng)時是用一階微分和二階微分來增強圖像。但是，本質(zhì)上，一階微分和二階微分計算的就是灰度的變化情況。而邊緣恰恰也就是灰度變化的地方。

因此，這些傳統(tǒng)的一階微分算子如Robert、Sobel、prewitt等，以及二階微分算子Laplacian等等本質(zhì)上都是可以用于檢測邊緣的。這些算子都可以稱為邊緣檢測算子。

我們動手感受下幾個邊緣檢測算子的效果：

import cv2 lenna = cv2.imread("images\\lenna.png", 0) sobel = cv2.Sobel(lenna, -1, 1, 1, ksize=5) laplacian = cv2.Laplacian(lenna, -1) canny = cv2.Canny(lenna, 100, 200) cv2.imshow("sobel", sobel) cv2.imshow("laplacian", laplacian) cv2.imshow("canny", canny) cv2.waitKey()

當(dāng)然，sobel和laplacian只能算做是一種邊緣檢測算子，還算不上是一種邊緣檢測算法。canny與它們的區(qū)別在于，它是一個包含多個階段的算法。

我們用上面的代碼再看看有噪聲的情況。

可以看出，當(dāng)有噪聲的時候，效果都很差。當(dāng)然，這里都沒有事先進(jìn)行圖像降噪。

總結(jié)

以上是生活随笔為你收集整理的图像的边缘检测的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。