一、图像梯度：
- 图像梯度，图像边界等
- 使用到的函数有：cv2.Sobel()，cv2.Schar()，cv2.Laplacian() 等
- cv2.THRESH_TRUNC
- cv2.THRESH_TOZERO
- cv2.THRESH_TOZERO_INV
梯度简单来说就是求导。
OpenCV 提供了三种不同的梯度滤波器，或者说高通滤波器：
Sobel，Scharr 和Laplacian。
下面会一一介绍他们。
Sobel，Scharr 其实就是求一阶或二阶导数。Scharr 是对Sobel（使用
小的卷积核求解求解梯度角度时）的优化。Laplacian 是求二阶导数。
1：laplacian and sobel
Laplacian 算子
Sobel 算子和Scharr 算子
import numpy as np
import argparse
import cv2
ap = argparse.ArgumentParser()
ap.add_argument("-i","--image",required =True, help="Path to the image")
args = vars(ap.parse_args())
image = cv2.imread(args["image"])
image = cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)
cv2.imshow("Original",image)
lap = cv2.Laplacian(image,cv2.CV_64F)
#cv2.CV_64F 输出图像的深度（数据类型），可以使用-1, 与原图像保持一致np.uint8
#当我们可以通过参数-1 来设定输出图像的深度（数据类型）与原图像保持一致，但是我们在代码中使用的却是cv2.CV_64F。这是为什么呢
# 原因涉及图像中的黑色到白色和白色到黑色的转变。
# 从黑色到白色的转换被认为是正斜率，而从白色到黑色的转换是负斜率。如果您还记得我们在第6章中对图像算术的讨论，您将会知道一个8位无符号整数不代表负值。如果您使用的是OpenCV，则它将被剪裁为零，否则将使用NumPy执行模数运算
#简短答案是，如果在计算梯度幅度图像时不使用浮点数据类型，则会错过边缘，特别是白色到黑色的过渡
lap = np.uint8(np.absolute(lap))
# 为了确保捕捉所有的边缘，使用浮点数据类型，然后获取梯度图像的绝对值，并将其转换回8位无符号整数
cv2.imshow("Laplacian",lap)
sobelX = cv2.Sobel(image, cv2.CV_64F,1,0) #1,0表示x方向
sobelY = cv2.Sobel(image, cv2.CV_64F,0,1) #0,1表示y方向
sobelX = np.uint8(np.absolute(sobelX))
sobelY = np.uint8(np.absolute(sobelY))
sobelCombined = cv2.bitwise_or(sobelX,sobelY)
cv2.imshow("sobel X ",sobelX)
cv2.imshow("sobel Y ",sobelY)
cv2.imshow("sobel Combined ",sobelCombined)
cv2.waitKey(0)
二、Canny 边缘检测：
Canny边缘检测器是一个多步骤的过程。它涉及模糊图像以消除噪声，在x和y方向上计算Sobel梯度图像，抑制边缘，最后是确定像素是否“边缘状”的滞后阈值阶段。
原理
Canny 边缘检测是一种非常流行的边缘检测算法，是John F.Canny 在1986 年提出的。它是一个有很多步构成的算法，我们接下来会逐步介绍。
噪声去除
由于边缘检测很容易受到噪声影响，所以第一步是使用5x5 的高斯滤波器去除噪声，这个前面我们已经学过了。
计算图像梯度
对平滑后的图像使用Sobel 算子计算水平方向和竖直方向的一阶导数（图像梯度）（Gx 和Gy）。根据得到的这两幅梯度图（Gx 和Gy）找到边界的梯度和方向，公式如下：
梯度的方向一般总是与边界垂直。梯度方向被归为四类：垂直，水平，和两个对角线。
非极大值抑制
在获得梯度的方向和大小之后，应该对整幅图像做一个扫描，去除那些非
边界上的点。对每一个像素进行检查，看这个点的梯度是不是周围具有相同梯
度方向的点中最大的。如下图所示：
现在你得到的是一个包含“窄边界”的二值图像。
滞后阈值
现在要确定那些边界才是真正的边界。这时我们需要设置两个阈值：
minVal 和maxVal。当图像的灰度梯度高于maxVal 时被认为是真的边界，
那些低于minVal 的边界会被抛弃。如果介于两者之间的话，就要看这个点是
否与某个被确定为真正的边界点相连，如果是就认为它也是边界点，如果不是
就抛弃。如下图：
A 高于阈值maxVal 所以是真正的边界点，C 虽然低于maxVal 但高于
minVal 并且与A 相连，所以也被认为是真正的边界点。而B 就会被抛弃，因
为他不仅低于maxVal 而且不与真正的边界点相连。所以选择合适的maxVal
和minVal 对于能否得到好的结果非常重要。
在这一步一些小的噪声点也会被除去，因为我们假设边界都是一些长的线
段。
OpenCV 中的Canny 边界检测
在OpenCV 中只需要一个函数：cv2.Canny()，就可以完成以上几步。
让我们看如何使用这个函数。这个函数的第一个参数是输入图像。第二和第三
个分别是minVal 和maxVal。第三个参数设置用来计算图像梯度的Sobel
卷积核的大小，默认值为3。最后一个参数是L2gradient，它可以用来设定
求梯度大小的方程。如果设为True，就会使用我们上面提到过的方程，否则
使用方程：
代替，默认值为False。
import numpy as np
import argparse
import cv2
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", required = True,help = "Path to the image")
args = vars(ap.parse_args())
image = cv2.imread(args["image"])
image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
image = cv2.GaussianBlur(image, (5, 5), 0)
# 由于边缘检测很容易受到噪声影响，所以第一步是使用5x5 的高斯滤波器
# 去除噪声,通过在边缘检测之前应用模糊，我们将帮助去除图像中“我们不感兴趣”的“嘈杂”边缘
cv2.imshow("Blurred", image)
canny = cv2.Canny(image, 30, 150)
# cv2.Canny(image, minVal, maxVal)
# 当图像的灰度梯度高于maxVal 时被认为是真的边界，
# 那些低于minVal 的边界会被抛弃。如果介于两者之间的话，就要看这个点是
# 否与某个被确定为真正的边界点相连，如果是就认为它也是边界点，如果不是
# 就抛弃。
cv2.imshow("Canny", canny)
cv2.waitKey(0)
比智力更重要的往往是毅力。
更多文章请关注我的博客：https://harveyyeung.github.io
