使用 OpenCV 检测图像边缘的Python程序Sobel边缘检测方法

以下程序检测直播视频内容中的帧边缘。代码只能在linux环境下编译。在运行程序之前，请确保在您的系统中安装了 openCV。
下载要求的步骤如下：

在您的终端上运行以下命令以从 Ubuntu 或 Debian 存储库安装它。

sudo apt-get install libopencv-dev python-opencv

或者为了从官方站点下载 OpenCV，运行以下命令：

bash install-opencv.sh

在您的终端上。
输入您的 sudo 密码，您将安装 OpenCV。

边缘检测背后的原理

边缘检测涉及数学方法来查找图像中像素强度的亮度明显变化的点。

我们要做的第一件事是找到灰度图像的梯度，使我们能够在 x 和 y 方向上找到类似边缘的区域。梯度是导数的多变量推广。虽然可以在单个变量的函数上定义导数，但对于多个变量的函数，梯度会代替它。
梯度是向量值函数，与导数相反，导数是标量值。与导数一样，梯度表示函数图形的切线的斜率。更准确地说，梯度指向函数最大增长率的方向，其大小是该方向上图形的斜率。

注意：在计算机视觉中，从黑色到白色的过渡被认为是一个正斜率，而从白色到黑色的过渡是一个负斜率。

Python

# Python program to  Edge detection
# using OpenCV in Python
# using Sobel edge detection
# and laplacian method
import cv2
import numpy as np
 
#Capture livestream video content from camera 0
cap = cv2.VideoCapture(0)
 
while(1):
 
    # Take each frame
    _, frame = cap.read()
     
    # Convert to HSV for simpler calculations
    hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV)
     
    # Calculation of Sobelx
    sobelx = cv2.Sobel(frame,cv2.CV_64F,1,0,ksize=5)
     
    # Calculation of Sobely
    sobely = cv2.Sobel(frame,cv2.CV_64F,0,1,ksize=5)
     
    # Calculation of Laplacian
    laplacian = cv2.Laplacian(frame,cv2.CV_64F)
     
    cv2.imshow('sobelx',sobelx)
    cv2.imshow('sobely',sobely)
    cv2.imshow('laplacian',laplacian)
    k = cv2.waitKey(5) & 0xFF
    if k == 27:
        break
 
cv2.destroyAllWindows()
 
#release the frame
cap.release()

计算图像的导数

数字图像由一个矩阵表示，该矩阵在行和列中存储每个像素的 RGB/BGR/HSV（图像所属的颜色空间）值。
矩阵的导数由称为拉普拉斯算子的运算符子计算。为了计算拉普拉斯算子，您需要计算前两个导数，称为Sobel的导数，每个导数都考虑了某个方向上的梯度变化：一个水平方向，另一个垂直方向。

水平索贝尔导数（Sobel x） ：通过图像与称为核的矩阵的卷积获得，该矩阵始终具有奇数大小。大小为 3 的内核是最简单的情况。
垂直索贝尔导数（Sobel y） ：它是通过图像与称为内核的矩阵的卷积获得的，该矩阵始终具有奇数大小。大小为 3 的内核是最简单的情况。
卷积的计算方法如下：Image表示原始图像矩阵，filter是核矩阵。

用内核卷积图像

因数= 11 – 2- 2- 2- 2- 2 = 3
偏移量= 0
加权和= 124*0 + 19*(-2) + 110*(-2) + 53*11 + 44*(-2) + 19*0 + 60*(-2) + 100*0 = 117
O[4,2] = (117/3) + 0 = 39
所以最后要得到拉普拉斯算子（近似值），我们需要结合之前的两个结果（Sobelx 和 Sobely）并将其存储在拉普拉斯算子中。

参数：

cv2.Sobel()：函数cv2.Sobel(frame,cv2.CV_64F,1,0,ksize=5)可以写成

cv2.Sobel(original_image,ddepth,xorder,yorder,kernelsize)

其中第一个参数是原始图像，第二个参数是目标图像的深度。当 ddepth=-1/CV_64F 时，目标图像将与源图像具有相同的深度。第三个参数是导数 x 的阶数。第四个参数是导数 y 的阶数。在计算 Sobelx 时，我们将 xorder 设置为 1，将 yorder 设置为 0，而在计算 Sobely 时，情况将相反。最后一个参数是扩展 Sobel 核的大小；它必须是 1、3、5 或 7。
cv2.Laplacian : 在函数中

cv2.Laplacian(frame,cv2.CV_64F)

第一个参数是原始图像，第二个参数是目标图像的深度。当depth=-1/CV_64F时，目标图像将与源图像具有相同的深度。

边缘检测应用

在保留图像结构的同时减少图像中不必要的信息。
提取图像的重要特征，如曲线、角和线。
识别对象、边界和分割。
在计算机视觉和识别中发挥重要作用