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()