1，边缘检测的实现过程：

（1）图片转化为灰度图；

（2）图片的高斯滤波；

（3）图片的卷积积分实现，阈值比较;

代码实现：

import cv2
import numpy as np
import random
img = cv2.imread('image0.jpg',1)
imgInfo = img.shape
height = imgInfo[0]
width = imgInfo[1]
cv2.imshow('src',img)
#canny 1 gray 2 高斯 3 canny 
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
imgG = cv2.GaussianBlur(gray,(3,3),0)
dst = cv2.Canny(img,50,50) #图片卷积——》th
cv2.imshow('dst',dst)
cv2.waitKey(0)

实现结果：

2,卷积积分实现：

假设有矩阵a和矩阵b,卷积就是a中的每个元素和b的每一对应的位相乘，

例如假设算子模板为a=[a1,a2,a3,a4];卷积矩阵为b=[b1,b2,b3,b4]; 卷积实现为r=a1*b1+a2*b2+a3*b3+a4*b4

梯度的计算：水平梯度x,竖直方向的梯度为y,总共的梯度为z = sqrt(x^2+y^2);

判别边缘检测方法：判别z和边缘门限值f，如果z>f,表示该点是边缘检测的点。

算法代码实现：

import cv2
import numpy as np
import random
import math
img = cv2.imread('image0.jpg',1)
imgInfo = img.shape
height = imgInfo[0]
width = imgInfo[1]
cv2.imshow('src',img)
# sobel 1 算子模版 2 图片卷积 3 阈值判决 
# [1 2 1          [ 1 0 -1
#  0 0 0            2 0 -2
# -1 -2 -1 ]       1 0 -1 ]
              
# [1 2 3 4] [a b c d] a*1+b*2+c*3+d*4 = dst
# sqrt(a*a+b*b) = f>th
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
dst = np.zeros((height,width,1),np.uint8)
for i in range(0,height-2):
    for j in range(0,width-2):
        gy = gray[i,j]*1+gray[i,j+1]*2+gray[i,j+2]*1-gray[i+2,j]*1-gray[i+2,j+1]*2-gray[i+2,j+2]*1
        gx = gray[i,j]+gray[i+1,j]*2+gray[i+2,j]-gray[i,j+2]-gray[i+1,j+2]*2-gray[i+2,j+2]
        grad = math.sqrt(gx*gx+gy*gy)
        if grad>50:
            dst[i,j] = 255
        else:
            dst[i,j] = 0
cv2.imshow('dst',dst)
cv2.waitKey(0)

实现结果和上面的结果图片一样的。