边缘检测 是图像处理 过程中经常会涉及到的一个环节。而在计算机视觉 和 机器学习领域，边缘检测 用于 特征提取 和 特征检测 效果也是特别明显。而 openCV 中进行边缘检测的 算法 真是五花八门，下面我就选几个最常用算法的函数api进行介绍。
边缘检测
内容大纲
自适应阈值处理
Scharr算子
Canny边缘检测
转换灰度图
openCV 中有个色彩类型转换函数，其中转换为灰度图（ cv.COLOR_RGB2GRAY）出现频率非常高，是其他操作的基础，色彩类型转换函数：
cv.cvtColor (src, dst, code, dstCn = 0
src: 原始图像
dst: 输出图像
code: 色彩空间转换码，灰度图为cv.COLOR_RGB2GRAY，其他类型可查api文档
dstcn: 图像通道数
const src = cv.imread(img;//读取图像数据
const dst = new cv.Mat(;//输出的图像
cv.cvtColor(src, dst, cv.COLOR_RGB2GRAY, 0;//转换为灰度图
cv.imshow(canvas, dst;
src.delete(;
dst.delete(;自适应阈值处理
自适应阈值处理的方式通过计算每个像素点周围邻近区域的加权平均值获得阈值，并使用该阈值对当前像素点进行处理。自适应阈值处理函数：
cv.adaptiveThreshold(src, dst, maxValue, adaptiveMethod, thresholdType
maxValue：需要处理的最大值
adaptiveMethod：自适应阈值算法，可选 cv.ADAPTIVE_THRESH_GAUSSIAN_C （高斯方程） 或 cv.ADAPTIVE_THRESH_MEAN_C（加权平均）
thresholdType： 阈值处理方法，可选 cv.THRESH_BINARY（二值化） 或 cv.THRESH_BINARY_INV（二值化取反）
const src = cv.imread(img;
const dst = new cv.Mat(;
cv.cvtColor(src, src, cv.COLOR_RGBA2GRAY, 0;//转换为灰度图
cv.adaptiveThreshold(src, dst, 255, cv.ADAPTIVE_THRESH_GAUSSIAN_C, cv.THRESH_BINARY, 5, 7;//自适应阈值处理
cv.imshow(canvas, dst;//显示输出图像效果如下：
Sobel算子
cv.addWeighted 这个函数按比例显示输出图像xy方向的占比。Sobel算子函数：
cv.Sobel (src, dst, ddepth, dx, dy, ksize = 3, scale = 1, delta = 0, borderType = cv.BORDER_DEFAULT
ddepth：输出图像的深度，可选 cv.CV_8U，cv.CV_16U，cv.CV_32F，cv.CV_64F
dx：x方向求导
dy：y方向求导
ksize：核大小，可选1，3，5，7
scale：缩放因子，默认1
delta：图像dst的值，默认0
borderType：边界样式，具体可查看api文档
const src = cv.imread(img;
const dstx = new cv.Mat(;
const dsty = new cv.Mat(;
const dst = new cv.Mat(;
cv.cvtColor(src, src, cv.COLOR_RGB2GRAY, 0;
cv.Sobel(src, dstx, cv.CV_8U, 1, 0, 1, 3, 0, cv.BORDER_DEFAULT; //Sobel算子 x方向
cv.Sobel(src, dsty, cv.CV_8U, 0, 1, 1, 3, 0, cv.BORDER_DEFAULT; //Sobel算子 y方向
cv.addWeighted(dstx, 0.5, dsty, 0.5, 0, dst; //分别给xy方向分配权重比例
cv.imshow(canvas, dst;效果如下：
Scharr算子
cv.Scharr(src, dstx, cv.CV_8U, 1, 0, 1, 0, cv.BORDER_DEFAULT; //Scharr算子 x方向
cv.Scharr(src, dsty, cv.CV_8U, 0, 1, 1, 0, cv.BORDER_DEFAULT; //Scharr算子 y方向
cv.addWeighted(dstx, 0.5, dsty, 0.5, 0, dst; //分别给xy方向分配权重比例效果如下：
Laplacian算子
cv.Laplacian (src, dst, ddepth, ksize = 1, scale = 1, delta = 0, borderType = cv.BORDER_DEFAULT
ddepth：输出图像的深度，可选 cv.CV_8U，cv.CV_16U，cv.CV_32F，cv.CV_64F
ksize：核大小，可选1，3，5，7
scale：缩放因子，默认1
delta：图像dst的值，默认0
borderType：边界样式，具体可查看api文档
const src = cv.imread(img;
const dst = new cv.Mat(;
cv.cvtColor(src, src, cv.COLOR_RGB2GRAY, 0;
cv.Laplacian(src, dst, cv.CV_8U, 1, 1, 0, cv.BORDER_DEFAULT; //拉普拉斯算子
cv.imshow(canvas, dst;效果如下：
Canny边缘检测
cv.Canny(src, dot, threshold1, threshold2, apertureSize = 3, L2gradient = false
threshold1: 第一个阈值，值较小时能获取更多边缘信息
threshold2: 第二个阈值，值较小时能获取更多边缘信息
apertureSize: 孔径大小
L2gradient: 图像梯度幅度，默认False
const src = cv.imread(img;
const dst = new cv.Mat(;
cv.cvtColor(src, src, cv.COLOR_RGB2GRAY, 0;
cv.Canny(src, dst, 50, 100, 3, false;
cv.imshow(canvas, dst;效果如下：
Sobel算子 结合 Laplacian算子
const src = cv.imread(img;
const dstx = new cv.Mat(;
const dsty = new cv.Mat(;
const dst = new cv.Mat(;
const dst2 = new cv.Mat(;
cv.Sobel(src, dstx, cv.CV_8U, 1, 0, 1, 3, 0, cv.BORDER_DEFAULT; //sobel算子 x方向
cv.Sobel(src, dsty, cv.CV_8U, 0, 1, 1, 3, 0, cv.BORDER_DEFAULT; //sobel算子 y方向
cv.addWeighted(dstx, 0.5, dsty, 0.5, 0, dst; //分别给xy方向分配权重比例
cv.Laplacian(src, dst2, cv.CV_8U, 1, 1, 0, cv.BORDER_DEFAULT; //拉普拉斯算子
const mask = new cv.Mat(;
cv.add(dst, dst2, dst2, mask, -1; //图像相加
cv.imshow(canvas, dst2;效果如下：
总结
openCV中实现边缘检测远不止上面介绍的几种，还有一种更强大的方式实现边缘检测，那就是傅立叶变换，它完全可以实现上面说的算法，但是比较复杂而已。我们需要做的就是了解清楚每种算法 效果有什么差异，以及最适合使用的场景。