一、边缘检测

1.sobel算子

cv2.Sobel() 是 OpenCV 实现索贝尔算子（Sobel Operator） 的函数，它通过计算图像的梯度来检测边缘。

cv2.Sobel(src, ddepth, dx, dy, ksize=None）

src ：   输入图像（通常是灰度图）
ddepth：    输出图像的深度（推荐用 cv2.CV_64F，避免梯度为负时被截断）
dx  ：  x 方向的导数阶数（0/1/2，边缘检测常用 1）
dy  ：  y 方向的导数阶数（0/1/2，边缘检测常用 1）
ksize ：   核的大小（奇数，如 3/5/7，默认 3；设为 -1 时用 Scharr 算子，效果更好）

代码：用x方向的导数阶数

yuan = cv2.imread('2_GRAY.jpg')
cv2.imshow('yuan',yuan)
cv2.waitKey(0)
##x方向上的边缘
yuan_x=cv2.Sobel(yuan,-1,dx=1,dy=0)
cv2.imshow('yuan_x',yuan_x)
cv2.waitKey(0)
#x方向上的边缘，包括负数信息（右端），但显示不出来，因为范围是（0~255）
yuan_x_64=cv2.Sobel(yuan,cv2.CV_64F,dx=1,dy=0)#默认uint8改为float64，可保存负数
cv2.imshow('yuan_x_64',yuan_x_64)
cv2.waitKey(0)
##x方向上的边缘，包括负数信息，进行取绝对值的操作，右端的负值信息就可以显示出来了
yuan_x_full=cv2.convertScaleAbs(yuan_x_64)#转换为给对值，负数转换为正数
cv2.imshow('yuan_x_full',yuan_x_full)
cv2.waitKey(0)

原图：

ddepth：输出图像的深度（可以理解为数据类型），-1表示与原图像相同的深度yuan_x=cv2.Sobel(yuan,-1,dx=1,dy=0)得到的图像

cv2.Sobel(yuan,cv2.CV_64F,dx=1,dy=0)：cv2.CV_64F：因为梯度可能为负数（比如从亮到暗），用 64 位浮点型可以保留负数值，避免信息丢失得到的图像

cv2.convertScaleAbs(yuan_x_64）：将负梯度值转为绝对值得到的图像

代码：用y方向的导数阶数

# #y方向上的边缘
yuan_y =cv2.Sobel(yuan,-1,dx=0,dy=1)
cv2.imshow('yuan_y',yuan_y)
cv2.waitKey(0)
#y方向上的边缘，包括负数信息（下端)，但显示不出来，因为范围是(0~255）
yuan_y_64=cv2.Sobel(yuan,cv2.CV_64F,dx=0,dy=1)#默以int8改为fLoat64，可保存负数
yuan_y_full=cv2.convertScaleAbs(yuan_y_64)#转换为绝对值，负数转换为正数
cv2.imshow('yuan_y_full',yuan_y_full)
cv2.waitKey(0)

得到的图像：

2.Scharr 算子

Scharr 算子是对 Sobel 算子的优化版本，核心特点是：

• 同样用于图像梯度（边缘）检测，原理和 Sobel 一致（计算 x/y 方向梯度）；

• 针对 3x3 核做了权重优化，梯度计算更精准，边缘检测结果更清晰；

• 没有核大小的选择（固定 3x3），可以理解为 “高精度版 3x3 Sobel”。

zl =cv2.imread('2.png',cv2.IMREAD_GRAYSCALE)#Scharr_算子
# zl=cv2.cvtColor(zl,cv2.COLOR_BGR2GRAY)
zl_x_64=cv2.Scharr(zl,cv2.CV_64F,dx=1,dy=0)#默以int8改为float64，可保存负数
zl_x_full=cv2.convertScaleAbs(zl_x_64)#转换为绝对值.负数转换为正数
zl_y_64=cv2.Scharr(zl,cv2.CV_64F,dx=0,dy=1)#默以int8改为float64，可保存负数
zl_y_full=cv2.convertScaleAbs(zl_y_64)#转换为绝对值，负数转换为正数
zl_xy_Scharr_full=cv2.addWeighted(zl_x_full,1,zl_y_full,1,0)
cv2.imshow('zl_xy_Scharr_full',zl_xy_Scharr_full)
cv2.waitKey(0)

与sobel算子的用法差不多，这里还用了cv2.addWeighted(zl_x_full,1,zl_y_full,1,0)方法加权合并两张图像（ Scharr 算子的 x 方向边缘图和 y 方向边缘图），最终得到同时包含水平和垂直边缘的完整边缘图像。

3.Laplacian

        这是一种基于拉普拉斯算子的边缘检测方法，和之前讲的 Sobel/Scharr（一阶梯度）不同，它是二阶梯度算子，能直接检测出图像中所有方向的边缘

cv2.Laplacian(src, ddepth, ksize=1, scale=1，delta=0）

src：输入图像，可以是灰度图像，也可以是多通道的彩色图像
ddepth：输出图片的数据深度：
ksize：计算二阶导数滤波器的孔径大小，必须为正奇数，可选项
scale：缩放比例因子，可选项，默认值为1
delta：输出图像的偏移量，可选项，默认值为0

zl =cv2.imread('2.png',cv2.IMREAD_GRAYSCALE)
zl_lap =cv2.Laplacian(zl,cv2.CV_64F,ksize=3)
zl_lap_full=cv2.convertScaleAbs(zl_lap)#转换为绝对值，负数转换为正数
cv2.imshow('zl_lap_full',zl_lap_full)
cv2.waitKey(0)

得到的图像：

4.canny边缘检测

作用：它是一套完整的边缘检测流程，能得到更干净、更准确的边缘结果

Canny 检测的 4 个核心步骤

1. 高斯模糊：先对图像去噪（解决噪声干扰边缘的问题）；

2. 计算梯度：用 Sobel 算子计算图像的梯度（幅度 + 方向），找到边缘候选点；

3. 非极大值抑制：只保留梯度方向上的局部最大值（把宽边缘 “细化” 成单像素宽度）；

4. 双阈值筛选：用高低两个阈值过滤边缘 —— 高于高阈值的是确定边缘，低于低阈值的直接舍弃，介于两者之间的仅当和确定边缘相连时保留（大幅减少伪边缘）。

canny函数：cv2.Canny(image, threshold1, threshold2, apertureSize=3, L2gradient=False)

image：输入图像（灰度图最佳，彩色图也可但效率低）
threshold1：低阈值（通常设为高阈值的 1/2 或 1/3）
threshold2：高阈值（核心参数，需根据图像调整，常用 100-200）
apertureSize：计算梯度用的 Sobel 核大小（默认 3，奇数）
L2gradient：梯度计算方式：False（默认，L1 范数，速度快）；True（L2 范数，精度高）

代码：

zl =cv2.imread('2.png',cv2.IMREAD_GRAYSCALE)
cv2.imshow('zl',zl)
cv2.waitKey(0)
zl_canny=cv2.Canny(zl,100,150)#低，高
cv2.imshow('zl_canny',zl_canny)
cv2.waitKey(0)

得到的图像：