python opencv边缘检测

通过Opencv进行边缘检测可以说是十分常见了，接下来让我们聊一聊如何通过python opencv一步一步实现边缘检测

重要函数讲解

图片读取函数:

pic = cv2.imread(file_path, flag=None)

参数：

file_path:读取的图片的路径。这里要注意如果图像不能读取(由于文件丢失、权限不当、格式不支持或无效),函数返回一个NULL。文件的格式取决于具体的图像的格式，而不是图像的后缀名。
flag:图像的格式。这里使用的是 cv2.IMREAD_UNCHANGED代表的是读取的是源图像。也可以使用cv2.IMREAD_GRAYSCALE读取的是灰度图。

返回值:

pic:加载后返回的图像。解码后的图像将按B G R 顺序存储通道。使用 IMREAD_GRAYSCALE 时，将使用编解码器的内部灰度转换。

注意：结果可能与 cvtColor() 的输出不同。编解码器附带 OpenCV 图像（libjpeg、默认使用 libpng、libtiff 和 libjasper）。因此，OpenCV 始终可以读取 JPEG、PNG、TIFF。而Linux需要安装随操作系统映像提供的编解码器libjpeg-dev

摄像头读取函数：

cap = cv2.VideoCapture(CAMERA_ID)

参数

CAMERA_ID:代表的是摄像头的ID号，一般情况下0代表的是内置的摄像头。若要读取的是视频则为视频的具体的路径,如./test.avi。

返回值

初始化好的摄像头设备

摄像头读取视频帧函数:

ret, frame = cap.read()

cap.read()按帧读取视频

返回值

ret是布尔值，如果读取帧是正确的则返回True，如果文件读取到结尾，它的返回值就为False。
frame就是每一帧的图像，是个RGB图像的三维矩阵。如果未抓取任何帧，则图像将为空。不允许修改或发布图片，只是使用的是副本图像进行相关的操作。

高斯滤波函数：

gs_frame=cv2.GaussianBlur(src, ksize, sigmaX, dst=None, sigmaY=None, borderType=None)
说明：将源图像与指定的高斯核进行卷积
参数

src:输入图像。图像可以有任意数量的通道，这些通道被独立处理，但深度应为 CV_8U、CV_16U、CV_16S、CV_32F 或 CV_64F。
ksize:ksize.width 和 ksize.height 可以不同，但它们都必须是正数和奇数。或者，它们可以是零，然后根据 sigma 计算它们。
sigmaX:X 方向的高斯核标准偏差
dst:输出与 src 大小和类型相同的结果图像
sigmaY:Y 方向的高斯核标准偏差；如果 sigmaY 为零，则设置为等于 sigmaX，如果两个 sigma 都为零，则根据 ksize.width 和 ksize.height 计算它们.
borderType:像素外推方法。使用默认值即可。

inRange()函数实现二值化

OpenCV中的inRange()函数可实现二值化功能（这点类似threshold()函数
inRange_hsv=cv2.inRange((InputArray src, InputArray lowerb,InputArray upperb, OutputArray dst)

参数

src:输入要处理的图像，可以为单通道或多通道。
lowerb:包含下边界的数组或标量。
upperb:包含上边界数组或标量
dst:输出图像，与输入图像src 尺寸相同且为CV_8U 类型。也可以作为返回值处理

返回值

inRange_hsv：输出图像，与输入图像src 尺寸相同且为CV_8U 类型。也可以作为返回值处理

形态学腐蚀函数

img_erosion=cv2.erode(src, kernel, dst=None, anchor=None, iterations=None, borderType=None, borderValue=None)
说明：通过使用特定的结构元素侵蚀图像。该函数使用确定的指定结构元素侵蚀源图像,取最小值的像素邻域的形状.侵蚀可以应用几次(迭代),对于多通道图像，每个通道都是独立处理的。
参数

src:输入图像.通道的数量可以是任意的，但深度应该是CV_8U、CV_16U、CV_16S、CV_32F 或 CV_64F。
kernel:用于腐蚀的内核结构元素。一般为奇数(3,3)、(5,5)的卷积核等等
dst:输出与 src 大小和类型相同的图像
anchor:元素内锚点的锚点位置；默认值 (-1, -1) 表示锚点位于元素中心。
iterations:迭代应用侵蚀的次数
borderType:像素外推方法
borderValue:边界的值为恒定的值

返回值

img_erosion:腐蚀后的图像，与 src 大小和类型相同的图像

形态膨胀学函数

说明:通过使用特定的结构元素来扩大图像。该函数使用指定的结构元素来扩展源图像，该结构元素确定取最大值的像素邻域的形状。
dilate_img=cv2.dilate(src, kernel, dst=None, anchor=None, iterations=None, borderType=None, borderValue=None)

参数

src:输入图像.通道的数量可以是任意的，但深度应该是CV_8U、CV_16U、CV_16S、CV_32F 或 CV_64F。
kernel:用于膨胀的内核结构元素。一般为奇数(3,3)、(5,5)的卷积核等等
dst:输出与 src 大小和类型相同的图像
anchor:元素内锚点的锚点位置；默认值 (-1, -1) 表示锚点位于元素中心。
iterations:迭代应用膨胀的次数
borderType:像素外推方法
borderValue:边界的值为恒定的值

返回值

dilate_img:膨胀后的图像，与 src 大小和类型相同的图像

开、闭操作

morphologyEx_frame=cv2.morphologyEx(src, op, kernel, dst=None, anchor=None, iterations=None, borderType=None, borderValue=None)
说明:使用腐蚀和膨胀来执行高级形态变换,开操作就是先腐蚀后膨胀
参数

src:输入图像.通道的数量可以是任意的，但深度应该是CV_8U、CV_16U、CV_16S、CV_32F 或 CV_64F。
op:形态学操作的类型. cv2.MORPH_OPEN、cv2.MORPH_CLOSE分别为开操作和闭操作
kernel:用于腐蚀或者膨胀的内核结构元素。一般为奇数(3,3)、(5,5)的卷积核等等
dst:输出与 src 大小和类型相同的图像
anchor:元素内锚点的锚点位置；默认值 (-1, -1) 表示锚点位于元素中心。
iterations:迭代应用侵蚀和膨胀的次数
borderType:像素外推方法
borderValue:边界的值为恒定的值

返回值

morphology_frame:开或者闭操作的图像，与 src 大小和类型相同的图像

sobel算子

sobel算子简介:sobel算子认为，邻域的像素对当前像素产生的影响不是等价的，所以距离不同的像素具有不同的权值，对算子结果产生的影响也不同。一般来说，距离越远，产生的影响越小。

sobel算子原理: 对传进来的图像像素做卷积，卷积的实质是在求梯度值，或者说给了一个加权平均，其中权值就是所谓的卷积核；然后对生成的新像素灰度值做阈值运算，以此来确定边缘信息。x方向的梯度会加强图像水平方向的特征，而y方向的梯度会加强图像竖直方向的特征

sobel=cv2.Sobel(src, ddepth, dx, dy, dst=None, ksize=None, scale=None, delta=None, borderType=None)
说明：Sobel 算子结合了高斯平滑和微分，所以结果或多或少耐噪音。大多数情况下，函数被调用（ xorder = 1, yorder = 0, ksize = 3)或 ( xorder = 0, yorder = 1, ksize = 3) 计算第一个 x 或 y 图像导数。

参数

src:输入图像
ddepth:输入图像的深度。-1表示采用的是与原图像相同的深度。目标图像的深度必须大于等于原图像的深度。如果是8 位输入图像它会导致截断导数。
dx：导数x的顺序
dy：导数y的顺序
dst：输出图像。和输入图像具有相同的深度
ksize:扩展 Sobel 内核的大小；它必须是 1、3、5 或 7
scale：计算导数值的可选比例因子。默认情况下，没有缩放
delta：可选的增量，将会加到最终的dst中，同样，默认情况下没有额外的值加到dst中
borderType:像素外推方法

权重取绝对值函数

dst=cv2.convertScaleAbs(src, dst=None, alpha=None, beta=None)
说明：由于sobel算子算出的值会产生负值，否则负数会一律当做0处理，所以要使用取绝对值函数。在输入数组的每个元素上，函数 convertScaleAbs依次执行三个操作：缩放、取绝对值，转换为无符号 8 位类型。在多通道数组的情况下，该函数处理每个通道独立。当输出不是 8 位时，操作可以是通过调用 Mat::convertTo 方法（或使用矩阵表达式），然后计算结果的绝对值。

参数

src:输入数组
dst:输出数组
alpha:可选比例因子
beta:可选增量添加到缩放值

加权函数

add_weight_img=cv2.addWeighted(src1, alpha, src2, beta, gamma, dst=None, dtype=None)

说明：计算两个数组的加权和： dst = src1alpha + src2beta + gamma

参数

src1:第一个输入数组
alpha:第一个数组元素的 alpha 权重
src2:具有相同大小和通道号的第二个输入数组
beta:第二个数组元素的 beta 权重
gamma:标量添加到每个总和
dst:输出数组，其大小和通道数与输入数组相同
dtype:输出数组的可选深度；当两个输入数组具有相同的深度时，dtype可以设置为 -1，相当于 src1.depth()

scharr算子

scharr_img=cv2.Scharr(src, ddepth, dx, dy, dst=None, scale=None, delta=None, borderType=None)

说明:虽然Sobel算子可以有效的提取图像边缘，但是对图像中较弱的边缘提取效果较差。因此为了能够有效的提取出较弱的边缘，需要将像素值间的差距增大。Scharr算子是对Sobel算子差异性的增强，因此两者之间的在检测图像边缘的原理和使用方式上相同。Scharr算子的边缘检测滤波的尺寸为3×3，因此也有称其为Scharr滤波器。可以通过将滤波器中的权重系数放大来增大像素值间的差异.

参数

src:输入图像
ddepth:输入图像的深度。-1表示采用的是与原图像相同的深度。目标图像的深度必须大于等于原图像的深度。如果是8 位输入图像它会导致截断导数。
dx：导数x的顺序
dy：导数y的顺序
dst：输出图像。和输入图像具有相同的深度
ksize:扩展 Sobel 内核的大小；它必须是 1、3、5 或 7
scale：计算导数值的可选比例因子。默认情况下，没有缩放
delta：可选的增量，将会加到最终的dst中，同样，默认情况下没有额外的值加到dst中
borderType:像素外推

Canny边沿检测算法

canny_img=cv2.Canny(image, threshold1, threshold2, edges=None, apertureSize=None, L2gradient=None)
说明:在输入图像中找到边缘，并使用精明算法。阈值 1 和阈值 2 之间的最小值用于边缘链接。这最大值用于查找强边缘的初始段。

参数

image:8 位输入图像
threshold1:第一个阈值
threshold2:第二个阈值
edges:输出边缘图；单通道 8 位图像，与 image 大小相同。
apertureSize:sobel算子的孔径大小
L2gradient:计算图像梯度幅度。可以使用默认的L2范数

寻找轮廓函数

contours, hierarchy=cv2.findContours(image, mode, method, contours=None, hierarchy=None, offset=None):
说明：从二进制图像中检索轮廓。

参数

image:一般为sobel算子或者scharr算子得到的二值化图像。8 位单通道图像。非零像素被视为 1。零像素保持为 0，因此图像被视为 binary
mode:
- cv2.RETR_EXTERNAL 只检测外轮廓
- cv2.RETR_LIST 检测的轮廓不建立等级关系，都是同级,不存在父轮廓或内嵌轮廓，
- cv2.RETR_CCOMP 建立两个等级的轮廓，上面一层为外边界，里面一层为内孔的边界信息
- cv2.RETR_TREE 建立一个等级树结构的轮廓
method
- cv2.RETR_EXTERNAL 只检测外轮廓
- cv2.RETR_LIST 检测的轮廓不建立等级关系，都是同级,不存在父轮廓或内嵌轮廓，
- cv2.RETR_CCOMP 建立两个等级的轮廓，上面一层为外边界，里面一层为内孔的边界信息
- cv2.RETR_TREE 建立一个等级树结构的轮廓
contours：检测的轮廓数组，每一个轮廓用一个point类型的vector表示
hierarchy：和轮廓个数相同，每个轮廓contours[ i ]对应4个hierarchy元素hierarchy[ i ][0 ] ~hierarchy[ i ][ 3]，分别表示后一个轮廓、前一个轮廓、父轮廓、内嵌轮廓的索引编号，如果没有对应项，该值设置为负数。
offset：每个轮廓点移动的可选偏移量

返回值

contours:检测的轮廓数组，每一个轮廓用一个point类型的vector表示
hierarchy:和轮廓个数相同，每个轮廓contours[ i ]对应4个hierarchy元素hierarchy[ i ][0 ] ~hierarchy[ i ][ 3]，分别表示后一个轮廓、前一个轮廓、父轮廓、内嵌轮廓的索引编号，如果没有对应项，该值设置为负数。

画轮廓函数

cv2.drawContours(image, contours, contourIdx, color, thickness=None, lineType=None, hierarchy=None, maxLevel=None, offset=None)

说明：绘制轮廓轮廓或填充轮廓

参数

image:目标图像
contours:是得到的一系列点的集合
contourIdx:指示要绘制的轮廓的参数。如果为负，则绘制所有轮廓。
color:轮廓的颜色
thickness:绘制轮廓线的粗细。如果它是负数,轮廓内部被绘制
lineType:线的连通性
hierarchy:可选层次信息结构,是findContours所的到的基于Contours的层级信息
maxLevel: 绘制轮廓的最大等级。如果等级为0，绘制单独的轮廓。如果为1，绘制轮廓及在其后的相同的级别下轮廓。如果值为2，所有的轮廓。如果等级为2，绘制所有同级轮廓及所有低一级轮廓，诸此种种。如果值为负数，函数不绘制同级轮廓，但会升序绘制直到级别为abs(max_level)-1的子轮廓
offset:照给出的偏移量移动每一个轮廓点坐标.当轮廓是从某些感兴趣区域(ROI)中提取的然后需要在运算中考虑ROI偏移量时，将会用到这个参数。

源代码：

import cv2
import numpy as np# 选择图片检测或者选择视频检测
is_picture = True
file_path = '../Picture/Badminton.jpeg'# 识别OpencCV书的阈值:'red': {'Lower': np.array([0, 53, 66]), 'Upper': np.array([74, 76, 187])# 这个是颜色的HSV的范围值(分别代表的是H,S,V)，可以根据需求进行删改
color_dist = {'red': {'Lower': np.array([0, 53, 66]), 'Upper': np.array([74, 76, 187])},'blue': {'Lower': np.array([100, 80, 46]), 'Upper': np.array([124, 255, 255])},'green': {'Lower': np.array([77, 54, 47]), 'Upper': np.array([166, 255, 255])},'yellow': {'Lower': np.array([26, 43, 46]), 'Upper': np.array([34, 255, 255])},}class DetectProcess(object):def __init__(self):super(DetectProcess, self).__init__()# 形态学腐蚀操作：cv2.erodedef erode(self, img):# 创建腐蚀使用的内核:3x3和5x5kernel = np.ones((3, 3), np.uint8)# 执行腐蚀操作 iterations表示执行腐蚀的次数img_erosion = cv2.erode(img, kernel, iterations=1)return img_erosion# 形态学膨胀:cv2.dilatedef dilate(self, img):kernel = np.ones((5, 5), np.uint8)dilation = cv2.dilate(img, kernel, iterations=1)return dilation# 开运算:cv2.morphologyEx() ：先腐蚀再膨胀，有助于消除噪音.def morphologyExOpening(self, img):kernel = np.ones((5, 5), np.uint8)opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)return opening# 闭运算:用于消除前景对象内的小孔或对象上的小黑点def morphologyExClosing(self, img):kernel = np.ones((5, 5), np.uint8)closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)return closing# sobel算子:返回的图像通道和原图相同，即彩色图像处理后仍为3通道# sobel得到的图像是有许多小点的的def sobel(self, img):# 核函数的取值范围：1，3，5，7，9，核函数过大效果不好Ksize = 3sobelx = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=Ksize)sobely = cv2.Sobel(img, cv2.CV_64F, 0, 1, ksize=Ksize)# sobel-x方向sobel_X = cv2.convertScaleAbs(sobelx)# sobel-y方向sobel_Y = cv2.convertScaleAbs(sobely)# sobel-xy方向sobel_XY = cv2.addWeighted(sobel_X, 0.5, sobel_Y, 0.5, 0)return sobel_XY# Scharr算子:返回的图像通道和原图相同，即彩色图像处理后仍为3通道def scharr(self, img):scharr_x = cv2.Scharr(img, cv2.CV_8U, 1, 0)scharr_y = cv2.Scharr(img, cv2.CV_8U, 0, 1)scharrX = cv2.convertScaleAbs(scharr_x)scharrY = cv2.convertScaleAbs(scharr_y)scharr_XY = cv2.addWeighted(scharrX, 0.5, scharrY, 0.5, 0)return scharr_XY# Canny:返回的为单通道图像# 得到的是一条淡颜色的线def canny(self, img):# 核函数的取值为3，5，7# 高低阈值maxVal和minVal的取值范围1-255# L2g为“精准”标识符，参数为True和FalseKsize = 3minVal = 20maxVal = 40L2g = TrueCanny = cv2.Canny(img, minVal, maxVal, apertureSize=Ksize, L2gradient=False)return Canny# 对轮廓的面积进行筛选
def areaFilter(contours):"""对面积进行筛选，若大于900的面积我们才认为是有效的边缘，这个可以根据自己的需求进行调整:param contours: 轮廓的集合:return: 识别到的有效的轮廓集合"""areas = []for i in range(len(contours)):if cv2.contourArea(contours[i]) <= 900:continueelse:areas.append(contours[i])return areas# areas.sort()# print("area is:", areas)if __name__ == '__main__':detect = DetectProcess()# 调用摄像头cap = cv2.VideoCapture(0)while True:if is_picture:frame = cv2.imread(file_path)else:# 读取视频帧，ret标志读取的结果，frame为读取到的视频帧图像ret, frame = cap.read()# 高斯滤波gs_frame = cv2.GaussianBlur(frame, (5, 5), 0)# 转化成HSV图像hsv = cv2.cvtColor(gs_frame, cv2.COLOR_BGR2HSV)# 规定红色区域的HSV.# OpenCV中的inRange()函数可实现二值化功能（这点类似threshold()函数# cv2.inRange((InputArray src, InputArray lowerb,InputArray upperb, OutputArray dst);# 参数1：输入要处理的图像，可以为单通道或多通道。# 参数2：包含下边界的数组或标量。# 参数3：包含上边界数组或标量。# 参数4：输出图像，与输入图像src 尺寸相同且为CV_8U 类型。也可以作为返回值处理inRange_hsv = cv2.inRange(hsv, color_dist['green']['Lower'], color_dist['green']['Upper'])cv2.imshow('inRange_hsv', inRange_hsv)# 形态学腐蚀操作erode_frame = detect.erode(inRange_hsv)cv2.imshow('erode', erode_frame)# 形态学膨胀操作dilate_frame = detect.dilate(erode_frame)cv2.imshow('dilate', dilate_frame)# 开运算morphologyExOpening_frame = detect.morphologyExOpening(inRange_hsv)cv2.imshow('morphologyExOpening', morphologyExOpening_frame)# 闭运算morphologyExClosing_frame = detect.morphologyExClosing(morphologyExOpening_frame)cv2.imshow('morphologyExClosing', morphologyExClosing_frame)# Sobel_frameSobel_frame = detect.sobel(morphologyExClosing_frame)cv2.imshow('Sobel_frame', Sobel_frame)# 寻找外部的点:建立RETR_EXTERNAL来统计最大外围的点。contours, hierarchy = cv2.findContours(Sobel_frame.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)# cnt = contours[1:50] 这个表示的是提取的图像的范围cv2.drawContours(frame, areaFilter(contours), -1, (0, 0, 255), 2)cv2.imshow('result', frame)if cv2.waitKey(1) & 0xFF == 27:breakcv2.destroyAllWindows()