Python | OpenCV 邊緣檢測與輪廓分析

📚 前言

在前一篇我們學會了 魔術棒填充顏色。
這一篇要介紹 邊緣檢測 (Edge Detection) 與 輪廓分析 (Contour Analysis)，包含常見的 Laplacian、Sobel、Canny 三種方法，並展示如何利用輪廓分析找出影像中的物件邊界。

🔎 Laplacian 邊緣檢測

原理說明

• Laplacian 是 二階導數運算，偵測影像中灰階值變化最劇烈的地方。
• 適合快速找出邊界，但容易受雜訊影響。

參數說明

1

cv2.Laplacian(src, ddepth, ksize=1, scale=1, delta=0, borderType=cv2.BORDER_DEFAULT)

• src：輸入影像（通常是灰階）。
• ddepth：輸出影像的深度，常用 cv2.CV_64F 避免溢位。
• ksize：卷積核大小，必須為正奇數，預設 1。數值越大，邊緣檢測越平滑。
• scale：縮放因子，調整計算後的梯度值。
• delta：加到結果上的偏移量。
• borderType：邊界處理方式，預設 cv2.BORDER_DEFAULT。

💻 範例程式

1
2
3
4
5
6
7
8
9
10
11
12

import cv2

img = cv2.imread("test.png")  # 部落格頭像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

laplacian = cv2.Laplacian(gray, cv2.CV_64F)
laplacian = cv2.convertScaleAbs(laplacian)

cv2.imshow("Original", img)
cv2.imshow("Laplacian", laplacian)
cv2.waitKey(0)
cv2.destroyAllWindows()

圖：程式碼執行結果 — Laplacian 邊緣檢測，顯示灰階邊界

🔎 Sobel 邊緣檢測

原理說明

• Sobel 是 一階導數運算，分別計算 水平 (x) 與 垂直 (y) 方向的梯度。
• 可以強調某一方向的邊緣，常用於影像特徵提取。

參數說明

1

cv2.Sobel(src, ddepth, dx, dy, ksize=3, scale=1, delta=0, borderType=cv2.BORDER_DEFAULT)

• src：輸入影像（通常是灰階）。
• ddepth：輸出影像的深度，常用 cv2.CV_64F。
• dx：x 方向的導數階數，通常設 1。
• dy：y 方向的導數階數，通常設 1。
• ksize：Sobel 核大小，必須為 1、3、5、7。數值越大，邊緣越平滑。
• scale：縮放因子，調整梯度值。
• delta：加到結果上的偏移量。
• borderType：邊界處理方式。

💻 範例程式

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

import cv2

img = cv2.imread("test.png")  # 部落格頭像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

sobelx = cv2.Sobel(gray, cv2.CV_64F, 1, 0, ksize=3)
sobely = cv2.Sobel(gray, cv2.CV_64F, 0, 1, ksize=3)

sobelx = cv2.convertScaleAbs(sobelx)
sobely = cv2.convertScaleAbs(sobely)
sobel = cv2.addWeighted(sobelx, 0.5, sobely, 0.5, 0)

cv2.imshow("Sobel X", sobelx)
cv2.imshow("Sobel Y", sobely)
cv2.imshow("Sobel Combined", sobel)
cv2.waitKey(0)
cv2.destroyAllWindows()

圖：程式碼執行結果 — Sobel 邊緣檢測，分別顯示水平、垂直與合成邊界

🔎 Canny 邊緣檢測

原理說明

• Canny 是最常用的邊緣檢測演算法，步驟包含：
  1. 高斯模糊去雜訊
  2. 計算梯度
  3. 非極大值抑制
  4. 雙閾值判斷
  5. 邊緣連接
• 結果乾淨且穩定，適合後續輪廓分析。

參數說明

1

cv2.Canny(image, threshold1, threshold2, apertureSize=3, L2gradient=False)

• image：輸入影像（必須是灰階）。
• threshold1：低閾值，用來判斷弱邊緣。
• threshold2：高閾值，用來判斷強邊緣。
• apertureSize：Sobel 核大小，預設 3。
• L2gradient：布林值，若為 True 使用更精確的梯度計算 (L2 norm)，預設 False。

💻 範例程式

1
2
3
4
5
6
7
8
9
10
11

import cv2

img = cv2.imread("test.png")  # 部落格頭像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

canny = cv2.Canny(gray, 100, 200)

cv2.imshow("Original", img)
cv2.imshow("Canny", canny)
cv2.waitKey(0)
cv2.destroyAllWindows()

圖：程式碼執行結果 — Canny 邊緣檢測，邊界清晰乾淨

🧠 輪廓函式介紹

在 OpenCV 中，輪廓分析主要依靠兩個函式：

cv2.findContours()

• 功能：從二值化影像或邊緣檢測結果中，找出所有輪廓。
• 語法：

  1	contours, hierarchy = cv2.findContours(image, mode, method)

• 參數：
  • image：通常是二值化或邊緣檢測後的影像。
  • mode：輪廓檢索方式，例如 cv2.RETR_EXTERNAL (只取外層輪廓)、cv2.RETR_TREE (完整階層)。
  • method：近似方式，例如 cv2.CHAIN_APPROX_SIMPLE (壓縮水平/垂直冗餘點)。

cv2.drawContours()

• 功能：將偵測到的輪廓繪製到影像上。
• 語法：

  1	cv2.drawContours(image, contours, contourIdx, color, thickness)

• 參數：
  • image：要繪製的影像。
  • contours：由 findContours() 找到的輪廓集合。
  • contourIdx：指定要畫哪一個輪廓，-1 表示全部。
  • color：繪製顏色，例如 (0,255,0)。
  • thickness：線條粗細。

✨ 輪廓分析 (Contours)

💻 範例程式

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

import cv2

img = cv2.imread("test.png")  # 部落格頭像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
canny = cv2.Canny(gray, 100, 200)

contours, hierarchy = cv2.findContours(canny, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

output = img.copy()
cv2.drawContours(output, contours, -1, (0, 255, 0), 2)

cv2.imshow("Original", img)
cv2.imshow("Contours", output)
cv2.waitKey(0)
cv2.destroyAllWindows()

圖：程式碼執行結果 — 輪廓分析，綠色線條標示物件邊界

📊 效果比較

⚠️ 注意事項

• 邊緣檢測前建議先做 高斯模糊，避免雜訊造成誤判。
• findContours() 的回傳值在不同版本的 OpenCV 可能不同。
• 輪廓分析常搭配邊緣檢測，建議使用 Canny 作為前處理。

🎯 結語

本篇我們學會了 Laplacian、Sobel、Canny 三種邊緣檢測方法，並理解了 cv2.findContours() 與 cv2.drawContours() 的用法，成功找出影像中的物件邊界。
這些技巧在電腦視覺中非常常見，例如物件偵測、影像分割、形狀辨識等。

📖 如在學習過程中遇到疑問，或是想了解更多相關主題，建議回顧一下 Python | OpenCV 系列導讀，掌握完整的章節目錄，方便快速找到你需要的內容。

註：以上參考了
OpenCV Tutorials
OpenCV-Python Tutorials