在 Android智能識別 - 銀行卡區域裁剪 一文中我們用瞭如下幾行代碼，獲取發現銀行卡的輪廓：
// 梯度增強 , x 軸和 y 軸
Mat grad_x, grad_y;
Scharr(blur, grad_x, CV_32F, 1, 0);
Scharr(blur, grad_y, CV_32F, 0, 1);
Mat grad_abs_x, grad_abs_y;
convertScaleAbs(grad_x, grad_abs_x);
convertScaleAbs(grad_y, grad_abs_y);
Mat grad;
addWeighted(grad_abs_x, 0.5, grad_abs_y, 0.5, 0, grad);
輪廓發現是圖像圖形處理中最常見的一個操作，Opencv 到底提供了哪些輪廓檢測的方法？其內部的實現原理是怎樣的？爲啥我在上面要用 Scharr ？下面我們就來做一個徹底的刨析。
Opencv 爲我們提供了常用的四個方法 Sobel() Scharr() Laplacian() Canny() 用來處理邊緣檢測，當然還可以自定義卷積操作來實現，但這裏我們先不做考慮。
1. Sobel 算子
Sobel算子如果光從核上面去看，根本什麼都不知道，我們得去看他的原理。
他的原理就是利用導數求解邊緣，我們知道像素差別大的時候那麼它的切點越陡峭，那麼這個時候就找到了邊緣！Sobel 算子檢測方法對灰度漸變和噪聲較多的圖像處理效果較好，但 Sobel 算子對邊緣定位不是很準確，圖像的邊緣不止一個像素。
2. Scharr 算子
這個濾波是Sobel的升級版，原理是一樣的，就是實現的近似代替不一樣，說白了就事核改進了。
3. Laplacian 算子
拉普拉斯邊緣檢測是通過二階倒數，從上面的一階倒數的理解就不難發現二階倒數是怎麼進行的了。二階倒數比一階倒數的好處是在與受到周圍的干擾小，其不具有方向性，操作容易，且對於很多方向的圖像處理好。Laplacian 算子法對噪聲比較敏感，所以很少用該算子檢測邊緣，而是用來判斷邊緣像素視爲與圖像的明區還是暗區。
4. Canny 算子
這是比較新的算法，運用的也是最廣泛的。Canny的步驟是：
1.給一張圖片，先進行濾波消除干擾，濾波之前已經說明。
2.計算梯度（進行 Sobel/Scharr 算子）
3.非極大值抑制。
4.滯後閾值。
非極大值抑制： 從字面上的理解就是從一羣數據中找到真正的極大值，對於不是極大值的省略或者抑制顯示。我們來想一下，Sobel算子計算的值就是邊緣的值嗎？算子是固定的，那就有很大的機率會計算到不是邊緣的數據。計算的結果不會省略不好的點，也不會去加強好的點，所以顯示就不明顯。我們的目的就是改進上面兩個點，對於第一個點，我們得比較那些計算的點進行比較，把不好點捨去。高等數學中有 “梯度” 的這個概念，就是數據下降或者上升最快的方向，簡單的說就是求導切線的方向！
void Canny(InputArray image, // 輸入
OutputArray edges,// 輸出
double threshold1, // 低閾值
double threshold2, // 高閾值
int apertureSize = 3, // 卷積核大小
bool L2gradient = false );// 採用何種方式做梯度合併
視頻地址：https://pan.baidu.com/s/1BHGR6hcunmgS5m_NGK_x2Q
視頻密碼：dtvq