边缘检测是图像处理过程中经常涉及的链接。在计算机视觉和机器学习的领域，边缘检测对于特征提取和特征检测尤为明显。openCV中用于边缘检测的算法确实多种多样。在下面，我选择了一些最常用算法的功能API。
请参阅本文所涉及的效果：边缘检测
OPENCV中有一个颜色类型的转换函数，其中转换为灰色图形（cv.color_rgb2gray）出现的经常出现。这是其他操作的基础。颜色类型转换功能：
cv.cvtcolor（src，dst，代码，dstcn = 0）
自适应阈值处理方法通过计算每个像素周围相邻区域的加权平均值，并使用此阈值来处理当前的像素。自适应阈值处理函数：
CV.AdaptivEthreshold（SRC，DST，Maxvalue，AdaptiveMethod，阈值））
效果如下：
SOBEL操作员结合了高斯平滑度和差异操作，并使用当地差异来找到边缘。计算是通过梯度近似值获得的。索贝尔操作员更为特殊的特殊位置是计算水平和垂直计算，然后结合两者。这需要使用cv.AddWeighted.Sobel运算符函数：
cv.sobel（src，dst，ddepth，dx，dy，ksize = 3，比例= 1，delta = 0，borderepe = cv.border_default）
效果如下：
Scharr操作员可以被视为SOBEL操作员的改进。它的准确性更高。调用方法基本上与SOBEL运算符相同，但是Ksize的参数丢失了。
效果如下：
拉普拉斯占用性是第二阶指南，可以在不同方向上符合图像的边缘。Laplacian（Raplacian）操作两个水平和垂直计算。因此，您无需像Sobel Operator和Scharr Operator.laplacian Operator函数那样分别计算XY：
cv.laplacian（src，dst，ddepth，ksize = 1，比例= 1，delta = 0，bordrtype = cv.border_default）
效果如下：
Canny Edge检测是一种使用多阶段边缘检测算法的方法。它将通过过去的嘈杂，计算梯度，非长度值抑制，并确定边缘的步骤，似乎非常强大。
cv.canny（src，dot，threshold1，threshold2，aperturesize = 3，l2gradient = false）
效果如下：
OPENCV还可以结合不同的算法以获得更好的结果。
效果如下：
OPENCV中的边缘检测远远超过上述边缘检测的几个。还有一种更强大的方法来实现边缘检测，即傅立叶变换。它可以完全实现上述算法，但更复杂。我们需要做的是了解每种算法的影响与最合适的场景之间的差异。
原始：https：//juejin.cn/post/709783538441460749