使用OpenCV | Sobel边缘检测方法检测图像边缘的Python程序-yiteyi-C++库

以下程序检测直播视频内容中帧的边缘。该代码只能在linux环境下编译。在运行程序之前，请确保系统中安装了openCV。 下载以下要求的步骤：

null

在终端上运行以下命令，从Ubuntu或Debian存储库安装它。

sudo apt-get install libopencv-dev python-opencv

或者，要从官方网站下载OpenCV，请运行以下命令：

bash install-opencv.sh

在你的终端上。
输入你的sudo密码，你就安装了OpenCV。

边缘检测原理

边缘检测涉及数学方法，以找到图像中像素强度亮度发生明显变化的点。

我们要做的第一件事就是找到坡度在灰度图像中，我们可以在x和y方向找到类似边缘的区域。梯度是导数的多变量推广。虽然导数可以定义在单个变量的函数上，但对于多个变量的函数，梯度会取代它。
梯度是向量值函数，而导数是标量值函数。就像导数一样， 梯度表示函数图切线的斜率 更准确地说，梯度指向函数最大增长率的方向，其大小是曲线在该方向的斜率。

注：在计算机视觉中，从黑色到白色的过渡被认为是正斜率，而从白色到黑色的过渡被认为是负斜率。

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()                       

图像导数的计算

数字图像由矩阵表示，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。矩阵的导数由一个叫做 拉普拉斯的 .为了计算拉普拉斯函数，你需要计算前两个导数，叫做 索贝尔 ，其中每一个都考虑了某个方向上的梯度变化：一个水平，另一个垂直。

水平索贝尔导数（索贝尔x） ：它是通过将图像与一个称为核的矩阵进行卷积得到的，该矩阵的大小总是奇数。大小为3的内核是最简单的情况。
垂直索贝尔导数（索贝尔y） ：它是通过将图像与一个称为核的矩阵进行卷积得到的，该矩阵的大小总是奇数。大小为3的内核是最简单的情况。
卷积通过以下方法计算：图像表示原始图像矩阵，滤波器为核心矩阵。

Convolving an image with a kernel

因素 = 11 – 2- 2- 2- 2- 2 = 3 抵消 = 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 因此，为了得到拉普拉斯近似值，我们需要将之前的两个结果（Sobelx和Sobely）结合起来，并将其存储在拉普拉斯近似值中。

参数：

cv2。索贝尔（）： 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，我们将把xorder设置为1，把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内核的大小；它必须是1、3、5或7。
cv2。拉普拉斯的 ：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。当深度=-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、角点和直线。
识别对象、边界和分割。
在计算机视觉和识别中起着重要作用

相关文章： 基于Canny边缘检测方法的边缘检测本文由 普拉蒂玛·乌帕迪亚 .如果你喜欢GeekSforgek，并想贡献自己的力量，你也可以使用写极客。组织或者把你的文章寄去评论-team@geeksforgeeks.org.看到你的文章出现在Geeksforgeks主页上，并帮助其他极客。如果您发现任何不正确的地方，或者您想分享有关上述主题的更多信息，请写下评论。

文章版权归作者所有，未经允许请勿转载。

THE END

Python