文件名称：第十节 图像处理之边缘检测
文件大小：25KB
文件格式：DOCX
更新时间：2022-12-24 02:29:52
opencv
#图像梯度 (注意都需要cv.convertScaleAbs将得到的有些负值取绝对值得到正数，并将数据转化到0-255之间，且sobel与Scarr算法中的数据位数都是32位浮点型的) import cv2 as cv import numpy as np def sobel_demo(image): #注意是32位float数据 grad_x = cv.Scharr(image, cv.CV_32F, 1, 0) grad_y = cv.Scharr(image, cv.CV_32F, 0, 1) #当用sobel算子不能很好的得到边缘的时候，就可以用Scharr算子，这是加强版的sobel算子，就可以得到 #原图像不是很明显的边缘了 # grad_x =cv.Sobel(image,cv.CV_32F,1,0) # grad_y =cv.Sobel(image,cv.CV_32F,0,1) gradx =cv.convertScaleAbs(grad_x) grady = cv.convertScaleAbs(grad_y) #cv.imshow("gradx",gradx) #cv.imshow("grady",grady) dst = cv.addWeighted(gradx,0.5,grady,0.5,0) cv.imshow("sobel_demo",dst) def lapalace_demo(image): #dst =cv.Laplacian(image,cv.CV_32F) #dst =cv.convertScaleAbs(dst) 会把dst变成单通道的8位的0-255的图像 #也可以用filter2D来做拉普拉斯算子 kernel = np.array([[0,-1,0],[-1,4,-1],[0,-1,0]]) dst = cv.filter2D(image,cv.CV_32F,kernel) dst = cv.convertScaleAbs(dst) cv.imshow("lapalace",dst) src = cv.imread("E:/opencv/picture/step.jpg") cv.imshow("inital_window",src) #sobel_demo(src) lapalace_demo(src) cv.waitKey(0) cv.destroyAllWindows() 分析： 图像梯度可以把图像看成二维离散函数，图像梯度其实就是这个二维离散函数的求导。 一、 Sobel算子是普通一阶差分，是基于寻找梯度强度。拉普拉斯算子（二阶差分）是基于过零点检测。通过计算梯度，设置阀值，得到边缘图像。 def sobel_demo(image): #注意是32位float数据 grad_x = cv.Scharr(image, cv.CV_32F, 1, 0) grad_y = cv.Scharr(image, cv.CV_32F, 0, 1) #当用sobel算子不能很好的得到边缘的时候，就可以用Scharr算子，这是加强版的sobel算子，就可以得到 #原图像不是很明显的边缘了 # grad_x =cv.Sobel(image,cv.CV_32F,1,0) # grad_y =cv.Sobel(image,cv.CV_32F,0,1) gradx = cv.convertScaleAbs(grad_x) grady = cv.convertScaleAbs(grad_y) #cv.imshow("gradx",gradx) #cv.imshow("grady",grady) dst = cv.addWeighted(gradx,0.5,grady,0.5,0) cv.imshow("sobel_demo",dst) 1.Sobel算子用来计算图像灰度函数的近似梯度。Sobel算子根据像素点上下、左右邻点灰度加权差，在边缘处达到极值这一现象检测边缘。对噪声具有平滑作用，提供较为精确的边缘方向信息，边缘定位精度不够高。当对精度要求不是很高时，是一种较为常用的边缘检测方法。 2.Sobel具有平滑和微分的功效。即：Sobel算子先将图像横向或纵向平滑，然后再纵向或横向差分，得到的结果是平滑后的差分结果。 OpenCV的Sobel函数原型为：Sobel(src, ddepth, dx, dy[, dst[, ksize[, scale[, delta[, borderType]]]]]) -> dst 注：一般就设置src,ddepth = cv.CV_32F,dx,dy（对x方求梯度就是1,0对y方向求梯度就是0,1） src参数表示输入需要处理的图像。 ddepth参数表示输出图像深度，针对不同的输入图像，输出目标图像有不同的深度。 具体组合如下： src.depth() = CV_8U, 取ddepth =-1/CV_16S/CV_32F/CV_64F （一般源图像都为CV_8U，为了避免溢出，一般ddepth参数选择CV_32F） src.depth() = CV_16U/CV_16S, 取ddepth =-1/CV_32F/CV_64F src.depth() = CV_32F, 取ddepth =-1/CV_32F/CV_64F src.depth() = CV_64F, 取ddepth = -1/CV_64F 注：ddepth =-1时，代表输出图像与输入图像相同的深度。 dx参数表示x方向上的差分阶数，1或0 。 dy参数表示y 方向上的差分阶数，1或0 。 dst参数表示输出与src相同大小和相同通道数的图像。 ksize参数表示Sobel算子的大小，必须为1、3、5、7。 scale参数表示缩放导数的比例常数，默认情况下没有伸缩系数。 delta参数表示一个可选的增量，将会加到最终的dst中，同样，默认情况下没有额外的值加到dst中。 borderType表示判断图像边界的模式。这个参数默认值为cv2.BORDER_DEFAULT。 2.OpenCV的convertScaleAbs函数使用线性变换转换输入数组元素成8位无符号整型。函数原型：convertScaleAbs(src[, dst[, alpha[, beta]]]) -> dst src参数表示原数组。 dst参数表示输出数组 (深度为 8u)。 alpha参数表示比例因子。 beta参数表示原数组元素按比例缩放后添加的值。 3.OpenCV的addWeighted函数是计算两个数组的加权和。函数原型：addWeighted(src1, alpha, src2, beta, gamma[, dst[, dtype]]) -> dst 用于将x，y方向的梯度合成。 二、Scharr算子 当用sobel算子发现得到的边缘信息不明显的时候，就可以用Scharr算子了。该算子是sobel算子的加强版，用法也和sobel算子一样，效果更加突出。 Scharr算子也是计算x或y方向上的图像差分。OpenCV的Scharr函数原型为：Scharr(src, ddepth, dx, dy[, dst[, scale[, delta[, borderType]]]]) -> dst 参数和Sobel算子的几乎差不多，意思也一样，只是没有ksize大小。 三、拉普拉斯算子 1.拉普拉斯算子（Laplace Operator）是n维欧几里德空间中的一个二阶微分算子，定义为梯度（▽f）的散度（▽•f）。 2.OpenCV的Laplacian函数原型为：Laplacian(src, ddepth[, dst[, ksize[, scale[, delta[, borderType]]]]]) -> dst src参数表示输入需要处理的图像。 ddepth参数表示输出图像深度，针对不同的输入图像，输出目标图像有不同的深度。 具体组合如下： src.depth() = CV_8U, 取ddepth =-1/CV_16S/CV_32F/CV_64F （一般源图像都为CV_8U，为了避免溢出，一般ddepth参数选择CV_32F） 注：当然我们也可以cv.filter2D命令来make一个拉普拉斯算子： kernel = np.array([[0,-1,0],[-1,4,-1],[0,-1,0]]) dst = cv.filter2D(image,cv.CV_32F,kernel) dst = cv.convertScaleAbs(dst) cv.imshow("lapalace",dst) Canny算法 canny 的目标是找到一个最优的边缘检测算法，最优边缘检测的含义是： 好的检测- 算法能够尽可能多地标识出图像中的实际边缘。 好的定位- 标识出的边缘要尽可能与实际图像中的实际边缘尽可能接近。 最小响应- 图像中的边缘只能标识一次，并且可能存在的图像噪声不应标识为边缘。 3.算法步骤： ①高斯模糊 - GaussianBlur ②灰度转换 - cvtColor ③计算梯度 – Sobel/Scharr ④非最大信号抑制 ⑤高低阈值输出二值图像 #canny算法常用步骤： #高斯模糊：因为canny对噪声很敏感，注意核size别太大 #源图像灰度化 #canny算法： 像素值小于低阈值的舍弃，高于高阈值的保留作为边缘信息，大于低阈值且该像素仅仅在连接到一个高于高阈值的像素时被保留。一般高阈值：低阈值在2:1到3:1之间 def canny_demo(image): image = cv.GaussianBlur(image,(3,3),0) gray = cv.cvtColor(image,cv.COLOR_BGR2GRAY) dst = cv.Canny(image,50,150) cv.imshow("Canny_demo",dst)