边缘的检测

边缘检测是图像处理和计算机视觉中的基本问题，边缘检测的目的是标识数字图像中亮度变化明显的点。图像属性中的显著变化通常反映了属性的重要事件和变化。图像边缘检测大幅度地减少了数据量，并且剔除了可以认为不相关的信息，保留了图像重要的结构属性。

本实验的要点包括：

• 掌握基本边缘检测方法

1. Canny边缘检测

Canny边缘检测器是一种被广泛使用的算法，并被认为是边缘检测最优的算法，该方法使用了比高斯差分算法更复杂的技巧，如多向灰度梯度和滞后阈值化。

检测步骤：

平滑图像：使用高斯滤波器与图像进行卷积，平滑图像，以减少边缘检测器上明显的噪声影响

计算图像的梯度和方向：图像中的边缘可以指向各个方向，这里计算图像的梯度，并将梯度分类为垂直、水平和斜对角。

非最大值抑制：利用上一步计算出来的梯度方向，检测某一像素在梯度的正方向和负方向上是否是局部最大值，如果是，则该像素点保留为边缘点，否则该像素点将被抑制。

双阈值算法检测和连接边缘：仍然存在由于噪声和颜色变化引起的一些边缘像素。为了解决这些杂散响应，必须用弱梯度值过滤边缘像素，并保留具有高梯度值的边缘像素，可以通过选择高低阈值来实现

OpenCV中提供了cv2.Canny()函数用于Canny边缘检测，该函数定义如下：

cv2.Canny(image, threshold1, threshold2[, edges[, apertureSize[, L2gradient ]]])

• image：处理的原图像，该图像必须为单通道的灰度图；
• threshold1：最小阈值；
• threshold2：最大阈值。

代码实现如下：

In [ ]:

%matplotlib inline

import cv2

import numpy as np

import matplotlib.pyplot as plt

​

img = cv2.imread('./lena.jpg', 0)#转化为灰度图

​

blur = cv2.GaussianBlur(img, (3, 3), 0)  # 用高斯滤波处理原图像降噪

canny = cv2.Canny(blur, 50, 150)  # 50是最小阈值,150是最大阈值

​

titles = ["Original", "Canny"]

image_list = [img, canny]

​

for i in range(2):

    plt.subplot(1, 2, i + 1)

    plt.imshow(cv2.cvtColor(image_list[i], cv2.COLOR_BGR2RGB))

    plt.title(titles[i], fontsize=8)

    plt.xticks([]), plt.yticks([])

​

plt.show()

2. Soble边缘检测

Sobel边缘检测算法比较简单，实际应用中效率比canny边缘检测效率要高，但是边缘不如Canny检测的准确，Sobel算子是高斯平滑与微分操作的结合体，所以其抗噪声能力很强，用途较多。尤其是效率要求较高，而对细纹理不太关系的时候，对于一个彩色图要先把它转换为灰度图。

Sobel算子的边缘定位更准确，常用于噪声较多、灰度渐变的图像。其算法模板如公式所示，其中dx表示水平方向，dy表示垂直方向。

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。因为Sobel算子结合了高斯平滑和微分求导（分化），因此结果会具有更多的抗噪性，当对精度要求不是很高时，Sobel算子是一种较为常用的边缘检测方法。

cv2.Sobel(src, ddepth, dx, dy[, dst[, ksize[, scale[, delta[, borderType]]]]])

• src表示输入图像
• dst表示输出的边缘图，其大小和通道数与输入图像相同
• ddepth表示目标图像所需的深度，针对不同的输入图像，输出目标图像有不同的深度
• dx表示x方向上的差分阶数，取值1或 0
• dy表示y方向上的差分阶数，取值1或0
• ksize表示Sobel算子的大小，其值必须是正数和奇数
• scale表示缩放导数的比例常数，默认情况下没有伸缩系数
• delta表示将结果存入目标图像之前，添加到结果中的可选增量值
• borderType表示边框模式，更多详细信息查阅BorderTypes

代码实现如下：

In [ ]:

# Sobel边缘检测算子

%matplotlib inline

import cv2

import numpy as np

import matplotlib.pyplot as plt

​

img = cv2.imread('./lena.jpg', 0)#转化为灰度图

x = cv2.Sobel(img, cv2.CV_16S, 1, 0)

y = cv2.Sobel(img, cv2.CV_16S, 0, 1)

​

Scale_absX = cv2.convertScaleAbs(x)  # convert 转换  scale 缩放

Scale_absY = cv2.convertScaleAbs(y)

result = cv2.addWeighted(Scale_absX, 0.5, Scale_absY, 0.5, 0)

​

titles = ["Original", "Sobel"]

image_list = [img, result]

​

for i in range(2):

    plt.subplot(1, 2, i + 1)

    plt.imshow(cv2.cvtColor(image_list[i], cv2.COLOR_BGR2RGB))

    plt.title(titles[i], fontsize=8)

    plt.xticks([]), plt.yticks([])

​

plt.show()