Python 图像处理 OpenCV （12）： Roberts 算子、 Prewitt 算子、 Sobel 算子和 Laplacian 算子边缘检测技术

前文传送门：

引言

前文介绍了 Canny 算子边缘检测，本篇继续介绍 Roberts 算子、 Prewitt 算子、 Sobel 算子和 Laplacian 算子等常用边缘检测技术。

Roberts 算子

Roberts 算子，又称罗伯茨算子，是一种最简单的算子，是一种利用局部差分算子寻找边缘的算子。他采用对角线方向相邻两象素之差近似梯度幅值检测边缘。检测垂直边缘的效果好于斜向边缘，定位精度高，对噪声敏感，无法抑制噪声的影响。

1963年， Roberts 提出了这种寻找边缘的算子。 Roberts 边缘算子是一个 2x2 的模版，采用的是对角方向相邻的两个像素之差。

Roberts 算子的模板分为水平方向和垂直方向，如下所示，从其模板可以看出， Roberts 算子能较好的增强正负 45 度的图像边缘。

$$

dx = \left[

\begin{matrix}

-1 & 0\

0 & 1 \

\end{matrix}

\right]

dy = \left[

\begin{matrix}

0 & -1\

1 & 0 \

\end{matrix}

\right]

$$

Roberts 算子在水平方向和垂直方向的计算公式如下：

$$

d_x(i, j) = f(i + 1, j + 1) - f(i, j)

$$

$$

d_y(i, j) = f(i, j + 1) - f(i + 1, j)

$$

Roberts 算子像素的最终计算公式如下：

$$

S = \sqrt{d_x(i, j)^2 + d_y(i, j)^2}

$$

今天的公式都是小学生水平，千万别再说看不懂了。

实现 Roberts 算子，我们主要通过 OpenCV 中的 filter2D() 这个函数，这个函数的主要功能是通过卷积核实现对图像的卷积运算：

def filter2D(src, ddepth, kernel, dst=None, anchor=None, delta=None, borderType=None)

src: 输入图像
ddepth: 目标图像所需的深度
kernel: 卷积核

接下来开始写代码，首先是图像的读取，并把这个图像转化成灰度图像，这个没啥好说的：

# 读取图像

img = cv.imread('maliao.jpg', cv.COLOR_BGR2GRAY)

rgb_img = cv.cvtColor(img, cv.COLOR_BGR2RGB)

# 灰度化处理图像

grayImage = cv.cvtColor(img, cv.COLOR_BGR2GRAY)

然后是使用 Numpy 构建卷积核，并对灰度图像在 x 和 y 的方向上做一次卷积运算：

# Roberts 算子

kernelx = np.array([[-1, 0], [0, 1]], dtype=int)

kernely = np.array([[0, -1], [1, 0]], dtype=int)

x = cv.filter2D(grayImage, cv.CV_16S, kernelx)

y = cv.filter2D(grayImage, cv.CV_16S, kernely)

注意：在进行了 Roberts 算子处理之后，还需要调用convertScaleAbs()函数计算绝对值，并将图像转换为8位图进行显示，然后才能进行图像融合：

# 转 uint8 ,图像融合

absX = cv.convertScaleAbs(x)

absY = cv.convertScaleAbs(y)

Roberts = cv.addWeighted(absX, 0.5, absY, 0.5, 0)

最后是通过 pyplot 将图像显示出来：

# 显示图形

titles = ['原始图像', 'Roberts算子']

images = [rgb_img, Roberts]

for i in range(2):

    plt.subplot(1, 2, i + 1), plt.imshow(images[i], 'gray')

    plt.title(titles[i])

    plt.xticks([]), plt.yticks([])

plt.show()

最终结果如下：

Prewitt 算子

Prewitt 算子是一种一阶微分算子的边缘检测，利用像素点上下、左右邻点的灰度差，在边缘处达到极值检测边缘，去掉部分伪边缘，对噪声具有平滑作用。

由于 Prewitt 算子采用 3 * 3 模板对区域内的像素值进行计算，而 Robert 算子的模板为 2 * 2 ，故 Prewitt 算子的边缘检测结果在水平方向和垂直方向均比 Robert 算子更加明显。Prewitt算子适合用来识别噪声较多、灰度渐变的图像。

Prewitt 算子的模版如下：

$$

dx = \left[

\begin{matrix}

1 & 0 & -1\

1 & 0 & -1\

1 & 0 & -1\

\end{matrix}

\right]

dy = \left[

\begin{matrix}

-1 & -1 & -1\

0 & 0 & 0\

1 & 1 & 1\

\end{matrix}

\right]

$$

在代码实现上， Prewitt 算子的实现过程与 Roberts 算子比较相似，我就不多介绍，直接贴代码了：

import cv2 as cv

import numpy as np

import matplotlib.pyplot as plt

# 读取图像

img = cv.imread('maliao.jpg', cv.COLOR_BGR2GRAY)

rgb_img = cv.cvtColor(img, cv.COLOR_BGR2RGB)

# 灰度化处理图像

grayImage = cv.cvtColor(img, cv.COLOR_BGR2GRAY)

# Prewitt 算子

kernelx = np.array([[1,1,1],[0,0,0],[-1,-1,-1]],dtype=int)

kernely = np.array([[-1,0,1],[-1,0,1],[-1,0,1]],dtype=int)

x = cv.filter2D(grayImage, cv.CV_16S, kernelx)

y = cv.filter2D(grayImage, cv.CV_16S, kernely)

# 转 uint8 ,图像融合

absX = cv.convertScaleAbs(x)

absY = cv.convertScaleAbs(y)

Prewitt = cv.addWeighted(absX, 0.5, absY, 0.5, 0)

# 用来正常显示中文标签

plt.rcParams['font.sans-serif'] = ['SimHei']

# 显示图形

titles = ['原始图像', 'Prewitt 算子']

images = [rgb_img, Prewitt]

for i in range(2):

    plt.subplot(1, 2, i + 1), plt.imshow(images[i], 'gray')

    plt.title(titles[i])

    plt.xticks([]), plt.yticks([])

plt.show()

从结果上来看， Prewitt 算子图像锐化提取的边缘轮廓，其效果图的边缘检测结果比 Robert 算子更加明显。

Sobel 算子

Sobel 算子的中文名称是索贝尔算子，是一种用于边缘检测的离散微分算子，它结合了高斯平滑和微分求导。

Sobel 算子在 Prewitt 算子的基础上增加了权重的概念，认为相邻点的距离远近对当前像素点的影响是不同的，距离越近的像素点对应当前像素的影响越大，从而实现图像锐化并突出边缘轮廓。

算法模版如下：

$$

dx = \left[

\begin{matrix}

1 & 0 & -1\

2 & 0 & -2\

1 & 0 & -1\

\end{matrix}

\right]

dy = \left[

\begin{matrix}

-1 & -2 & -1\

0 & 0 & 0\

1 & 2 & 1\

\end{matrix}

\right]

$$

Sobel 算子根据像素点上下、左右邻点灰度加权差，在边缘处达到极值这一现象检测边缘。对噪声具有平滑作用，提供较为精确的边缘方向信息。因为 Sobel 算子结合了高斯平滑和微分求导（分化），因此结果会具有更多的抗噪性，当对精度要求不是很高时， Sobel 算子是一种较为常用的边缘检测方法。

Sobel 算子近似梯度的大小的计算公式如下：

$$

G = \sqrt{d_X^2 + d_y^2}

$$

梯度方向的计算公式如下：

$$

\theta = \tan^{-1}(\frac {d_x}{d_y})

$$

如果以上的角度 θ 等于零，即代表图像该处拥有纵向边缘，左方较右方暗。

在 Python 中，为我们提供了 Sobel() 函数进行运算，整体处理过程和前面的类似，代码如下：

import cv2 as cv

import matplotlib.pyplot as plt

# 读取图像

img = cv.imread('maliao.jpg', cv.COLOR_BGR2GRAY)

rgb_img = cv.cvtColor(img, cv.COLOR_BGR2RGB)

# 灰度化处理图像

grayImage = cv.cvtColor(img, cv.COLOR_BGR2GRAY)

# Sobel 算子

x = cv.Sobel(grayImage, cv.CV_16S, 1, 0)

y = cv.Sobel(grayImage, cv.CV_16S, 0, 1)

# 转 uint8 ,图像融合

absX = cv.convertScaleAbs(x)

absY = cv.convertScaleAbs(y)

Sobel = cv.addWeighted(absX, 0.5, absY, 0.5, 0)

# 用来正常显示中文标签

plt.rcParams['font.sans-serif'] = ['SimHei']

# 显示图形

titles = ['原始图像', 'Sobel 算子']

images = [rgb_img, Sobel]

for i in range(2):

    plt.subplot(1, 2, i + 1), plt.imshow(images[i], 'gray')

    plt.title(titles[i])

    plt.xticks([]), plt.yticks([])

plt.show()

Laplacian 算子

拉普拉斯（ Laplacian ）算子是 n 维欧几里德空间中的一个二阶微分算子，常用于图像增强领域和边缘提取。

Laplacian 算子的核心思想：判断图像中心像素灰度值与它周围其他像素的灰度值，如果中心像素的灰度更高，则提升中心像素的灰度；反之降低中心像素的灰度，从而实现图像锐化操作。

在实现过程中， Laplacian 算子通过对邻域中心像素的四方向或八方向求梯度，再将梯度相加起来判断中心像素灰度与邻域内其他像素灰度的关系，最后通过梯度运算的结果对像素灰度进行调整。

Laplacian 算子分为四邻域和八邻域，四邻域是对邻域中心像素的四方向求梯度，八邻域是对八方向求梯度。

四邻域模板如下：

$$

H = \left[

\begin{matrix}

0 & -1 & 0\

-1 & 4 & -1\

0 & -1 & 0\

\end{matrix}

\right]

$$

八邻域模板如下：

$$

H = \left[

\begin{matrix}

-1 & -1 & -1\

-1 & 4 & -1\

-1 & -1 & -1\

\end{matrix}

\right]

$$

通过模板可以发现，当邻域内像素灰度相同时，模板的卷积运算结果为0；当中心像素灰度高于邻域内其他像素的平均灰度时，模板的卷积运算结果为正数；当中心像素的灰度低于邻域内其他像素的平均灰度时，模板的卷积为负数。对卷积运算的结果用适当的衰弱因子处理并加在原中心像素上，就可以实现图像的锐化处理。

在 OpenCV 中， Laplacian 算子被封装在 Laplacian() 函数中，其主要是利用Sobel算子的运算，通过加上 Sobel 算子运算出的图像 x 方向和 y 方向上的导数，得到输入图像的图像锐化结果。

import cv2 as cv

import matplotlib.pyplot as plt

# 读取图像

img = cv.imread('maliao.jpg', cv.COLOR_BGR2GRAY)

rgb_img = cv.cvtColor(img, cv.COLOR_BGR2RGB)

# 灰度化处理图像

grayImage = cv.cvtColor(img, cv.COLOR_BGR2GRAY)

# Laplacian

dst = cv.Laplacian(grayImage, cv.CV_16S, ksize = 3)

Laplacian = cv.convertScaleAbs(dst)

# 用来正常显示中文标签

plt.rcParams['font.sans-serif'] = ['SimHei']

# 显示图形

titles = ['原始图像', 'Laplacian 算子']

images = [rgb_img, Laplacian]

for i in range(2):

    plt.subplot(1, 2, i + 1), plt.imshow(images[i], 'gray')

    plt.title(titles[i])

    plt.xticks([]), plt.yticks([])

plt.show()

最后

边缘检测算法主要是基于图像强度的一阶和二阶导数，但导数通常对噪声很敏感，因此需要采用滤波器来过滤噪声，并调用图像增强或阈值化算法进行处理，最后再进行边缘检测。

最后我先使用高斯滤波去噪之后，再进行边缘检测：

import cv2 as cv

import numpy as np

import matplotlib.pyplot as plt

# 读取图像

img = cv.imread('maliao.jpg')

rgb_img = cv.cvtColor(img, cv.COLOR_BGR2RGB)

# 灰度化处理图像

gray_image = cv.cvtColor(img, cv.COLOR_BGR2GRAY)

# 高斯滤波

gaussian_blur = cv.GaussianBlur(gray_image, (3, 3), 0)

# Roberts 算子

kernelx = np.array([[-1, 0], [0, 1]], dtype = int)

kernely = np.array([[0, -1], [1, 0]], dtype = int)

x = cv.filter2D(gaussian_blur, cv.CV_16S, kernelx)

y = cv.filter2D(gaussian_blur, cv.CV_16S, kernely)

absX = cv.convertScaleAbs(x)

absY = cv.convertScaleAbs(y)

Roberts = cv.addWeighted(absX, 0.5, absY, 0.5, 0)

# Prewitt 算子

kernelx = np.array([[1, 1, 1], [0, 0, 0], [-1, -1, -1]], dtype=int)

kernely = np.array([[-1, 0, 1], [-1, 0, 1], [-1, 0, 1]], dtype=int)

x = cv.filter2D(gaussian_blur, cv.CV_16S, kernelx)

y = cv.filter2D(gaussian_blur, cv.CV_16S, kernely)

absX = cv.convertScaleAbs(x)

absY = cv.convertScaleAbs(y)

Prewitt = cv.addWeighted(absX, 0.5, absY, 0.5, 0)

# Sobel 算子

x = cv.Sobel(gaussian_blur, cv.CV_16S, 1, 0)

y = cv.Sobel(gaussian_blur, cv.CV_16S, 0, 1)

absX = cv.convertScaleAbs(x)

absY = cv.convertScaleAbs(y)

Sobel = cv.addWeighted(absX, 0.5, absY, 0.5, 0)

# 拉普拉斯算法

dst = cv.Laplacian(gaussian_blur, cv.CV_16S, ksize = 3)

Laplacian = cv.convertScaleAbs(dst)

# 展示图像

titles = ['Source Image', 'Gaussian Image', 'Roberts Image',

          'Prewitt Image','Sobel Image', 'Laplacian Image']

images = [rgb_img, gaussian_blur, Roberts, Prewitt, Sobel, Laplacian]

for i in np.arange(6):

   plt.subplot(2, 3, i+1), plt.imshow(images[i], 'gray')

   plt.title(titles[i])

   plt.xticks([]), plt.yticks([])

plt.show()

示例代码

如果有需要获取源码的同学可以在公众号回复「OpenCV」进行获取。

参考

https://blog.csdn.net/Eastmount/article/details/89001702