图像处置过程中边缘检测常采用索贝尔，拉普拉斯算子等方式。普遍用于各类处置方式前期加工之中，方式也良多。本文采用python的opencv函数库利用Laplacian算子实现边缘检测。
工具/原料
- pycharm和windows7情况
- python3情况下opencv3模块
方式/步骤
- 1
理论描述：
按照官网描述和图形描画，第一张图可知：diyiznag可以形象得知，强度的一阶导数，边缘的特征是最大值，是像素强度显示“跳跃”或强度的高转变。
第二张图可知二阶导数为零时，是边缘跳跃或强度的高转变。也就是边缘。
这两张图很是形象的描画了边缘检测的理论根本。
- 2
为了简单，本身构建了一个米框图，便于不雅察！
import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt
image = cv.imread('c:\\black_MiLine.png',0)
cv.imshow('image',image)
cv.waitKey(0)
- 3
Laplacian函数简介：
dst = cv.Laplacian(src, ddepth[, dst[, ksize[, scale[, delta[, borderType]]]]])
前两个是必需的参数：
第一个原图像；
第二个是图像的深度，-1暗示与原图像不异深度。方针图像深度必需大于等于原图像深度；
厥后是可选的参数：
dst方针图像；
ksize是算子的大小，必需为1、3、5、7。默认为1。
scale是缩放导数的比例常数，默认无伸缩系数；
delta是可选增量，会加到最终的dst中，默认环境下无额外的值加dst；
borderType是判定图像鸿沟模式。缺省cv.BORDER_DEFAULT。
- 4
进行变换：
Laplacian = cv.Laplacian(image, cv.CV_16S, ksize=3)cv.imshow('Laplacian',Laplacian)
我们发现输出是会的。没有其他内容。
- 5
对上述成果进行convertScaleAbs，再看成果！
Laplacian_result = cv.convertScaleAbs(Laplacian)
print(Laplacian_result)
cv.imshow('Laplacian_result',Laplacian_result)
cv.waitKey(0)
- 6
再来一个单步模拟
kernel = np.array([[0,-1,0],[-1,4,-1],[0,-1,0]],np.float32)
image_tmp = np.float64(image)
img_filter = cv.filter2D(image_tmp,-1,kernel)
cv.imshow('img_filter',img_filter)
cv.waitKey(0)
至此完当作拉普拉斯算子。
注重事项
- 就两步 1）先cv.Laplacian(image, cv.CV_16S, ksize=3)
- 2）再 cv.convertScaleAbs(Laplacian) 即可
