(五)OpenCV-Python学习—边缘检测1

　　在进行图像识别时，常需要检测图像的边缘信息。图像的边缘指的是灰度值急剧变化的地方，一般是背景和前景物体的交界处。由于边缘处的灰度值急剧变化特性，可以利用离散数列的差分（相当于连续函数的导数）来识别边缘。目前常用的边缘检测算法大多数是通过梯度方向导数求卷积的方法，常用的卷积算子有Roberts算子，Prewitt，Sobel算子，Scharr算子等。

1. Roberts算子和Prewitt算子

　　1.1 Roberts算子

　　　　Roberts边缘检测算法是图像，分别与下面两个卷积核（锚点为1所在位置）进行卷积运算。第一个为135度方向像素值差分，第二个为45度方向像素值差分，可以发现卷积后，图像内部由于相近像素值会变为0，成为黑色背景，而边缘处由于像素值相差大，相减的差分值作为新的像素值。因此能够将图像边缘处的像素值识别出来，得到图像的轮廓 (五)OpenCV-Python学习—边缘检测1

　　　　通过上述两个卷积会得到145度和45度的卷积结果，将两者合并得到最后的输出结果。有如下四种合并方式：

　　　　　　a. 取两个矩阵对应位置绝对值的和

　　　　　　b. 取两个矩阵对应位置平方和的开方

　　　　　　c. 取两个矩阵对应位置绝对值的最大值

　　　　　　d. 插值法

　　　　取平方和的开方效果最好，但同时也是最耗时的操作。

　　　下面通过convolve2d()函数实现robert边缘检测算法的代码和效果如下：（可以发现45度和135度得到的是该角度上的边缘信息，而两者综合后的边缘更加清晰和完整）

#coding:utf-8


import cv2 as cv
from scipy import signal
import numpy as np


def robert(img,boundary="symm",fillvalue=0):
    H1,W1 = img.shape[:2]
    r1 = np.array([[1,0],[0,-1]],np.float32)
    r2 = np.array([[0,1],[-1,0]],np.float32)
    H2,W2= 2,2
    #锚点位置
    kr1,kc1=0,0
    con_r1 = signal.convolve2d(img,r1,mode="full",boundary=boundary,fillvalue=fillvalue)
    #截取出same卷积
    con_r1 = con_r1[H2-kr1-1:H1+H2-kr1-1,W2-kc1-1:W1+W2-kc1-1]
    
    kr2,kc2=0,1
    con_r2 = signal.convolve2d(img,r2,mode="full",boundary=boundary,fillvalue=fillvalue)
    con_r2 = con_r2[H2-kr2-1:H1+H2-kr2-1,W2-kc2-1:W1+W2-kc2-1]
    return (con_r1,con_r2)

if __name__=="__main__":
    img = cv.imread(r"C:\Users\Administrator\Desktop\Messi.jpg",0)
    con_r1,con_r2 = robert(img)
    con_r1 =np.abs(con_r1) 
    edge_135 = con_r1.astype(np.uint8)
    con_r2 =np.abs(con_r2) 
    edge_45 = con_r2.astype(np.uint8)
    edge = np.sqrt(np.power(con_r1,2.0)+np.power(con_r2,2.0))
    edge = np.round(edge)
    edge[edge>255]=255
    edge = edge.astype(np.uint8)
    cv.imshow("img",img)
    cv.imshow("edge_135",edge_135)
    cv.imshow("edge_45 ",edge_45 )
    cv.imshow("edge",edge)
    cv.waitKey(0)
    cv.destroyAllWindows()

robert算子