[OpenCV基礎][Python]邊緣偵測Sobel、Scharr、Laplacian、 Canny
OpenCV 提供了多種用於邊緣偵測的方法，其中一些常見的包括 Sobel、Scharr、Laplacian，還有 Canny 邊緣檢測器。這些方法可以幫助我們檢測圖像中的暗明強度變化，從而找到物體的邊緣。
以下方法，都需輸入灰階圖片。
邊緣偵測方法：
Sobel 運算子：
Sobel 運算子用於計算圖像的梯度，尤其是水平方向和垂直方向的梯度。在這個例子中，分別計算了 x 方向和 y 方向的 Sobel 梯度。
Sobel 運算子使用 3x3 的核，其中水平和垂直方向的權重分佈如下：
Sobel_X:
[ -1 0 1 ]
[ -2 0 2 ]
[ -1 0 1 ]
Sobel_Y:
[ 1 2 1 ]
[ 0 0 0 ]
[ -1 -2 -1 ]
語法
# Sobel 運算子
sobel_x = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=3)
sobel_y = cv2.Sobel(img, cv2.CV_64F, 0, 1, ksize=3)
cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=3): 計算 x 方向的 Sobel 梯度。
cv2.Sobel(img, cv2.CV_64F, 0, 1, ksize=3): 計算 y 方向的 Sobel 梯度。
ksize 參數指定了 Sobel 核的大小，這裡是 3x3 的核。
cv2.CV_64F 確保了輸出梯度的數據類型是 64 位浮點數。
示範圖
sobel
Scharr 運算子：
Scharr 運算子也用於計算圖像的梯度，和 Sobel 類似，但其核的權重分佈更均勻，能夠提供更平滑的梯度估計。
水平和垂直方向的權重分佈如下:
Scharr_X:
[ -3 0 3 ]
[ -10 0 10 ]
[ -3 0 3 ]
Scharr_Y:
[ 3 10 3 ]
[ 0 0 0 ]
[ -3 -10 -3 ]
語法
# Scharr 運算子
scharr_x = cv2.Scharr(img, cv2.CV_64F, 1, 0)
scharr_y = cv2.Scharr(img, cv2.CV_64F, 0, 1)
img: 輸入的灰度圖像。
cv2.CV_64F: 輸出圖像的深度，通常使用 64 位浮點數以確保梯度的準確性。
1 和 0: 分別表示計算 x 方向和 y 方向的梯度。
示範圖
Scharr 與 Sobel X軸的比較
Scharr 與 Sobel Y軸的比較
Laplacian 運算子
Laplacian 運算子用於計算圖像的二次導數，它可以提取圖像中的輪廓和邊緣信息。這是一種常用的邊緣檢測方法。
語法：
laplacian = cv2.Laplacian(img, cv2.CV_64F, ksize=3)
img: 輸入的灰度圖像。
cv2.CV_64F: 輸出圖像的深度，通常使用 64 位浮點數。
ksize 參數指定了 Laplacian 核的大小，這裡是 3x3 的核。
Laplacian 運算子對圖像中的高頻信息進行了增強，強調了邊緣和細節。
Laplacian
Canny 邊緣檢測器
Canny 邊緣檢測是一種綜合了多個步驟的強大方法，包括高斯模糊、計算梯度、非極大值抑制和雙閾值檢測。它可以在圖像中檢測到細緻的邊緣。
語法：
edges = cv2.Canny(img, threshold1, threshold2)
img: 輸入的灰度圖像。
threshold1 和 threshold2: 雙閾值檢測的兩個閾值，用於區分強邊緣、弱邊緣和非邊緣點。
Canny 邊緣檢測在一個連續的操作中完成多個步驟，包括平滑、梯度計算、非極大值抑制和邊緣連接。它能夠產生高質量的邊緣檢測結果，並且可以通過調整閾值進行對結果的細化。
Canny
邊緣偵測算法的優缺點總結：
Canny 邊緣檢測：
優點：
高準確性： 提供準確的邊緣檢測結果。
低誤報率： 雙閾值檢測可控制強弱邊緣，減少誤報。
平滑效果： 使用高斯平滑有助於去除噪聲
缺點：
複雜度： 實現較複雜，需要調整參數
計算量大： 計算量相對較大。
Sobel 運算子：
優點：
簡單： 實現簡單，易於應用。
適用於清晰圖像： 在清晰圖像中，能有效提取邊緣。
缺點：
對噪聲敏感： 在噪聲多的情況下容易受到干擾。
缺乏方向性： 只提供垂直和水平方向梯度。
Laplacian 運算子：
優點：
提取細節： 能提取圖像中的細節和高頻信息。
無方向性： 不受方向性限制，能檢測多方向邊緣。
缺點：
對噪聲敏感： 容易受到噪聲的干擾。
誤報： 可能產生一些不必要的誤報，特別在有噪聲的圖像中。
