【OpenCV learning】关于Canny中NMS和双阈值检测+图像金字塔

NMS非极大值抑制：

    关键词：线性插值法；梯度离散；IOU交并比；

双阈值检测：

  Canny边缘检测中对图像像素点进行筛选，取x>=maxVal的像素梯度进行保留，作为边缘值，对虽连接确定边缘但位于minVal<=x<maxVal的像素作为待确定边缘值，进行连续判定，若确定与边缘值有关的保留，否则将丢弃。参考下图：

A大于maxVAl，确定为边缘值，对其进行保留；

B大于minVal但未与确定边缘连接，全部舍弃；

C与确定边缘链接，为待确定边缘，因与确定边缘A连接，固然获得保留，以获取完整的边缘曲线。

参考：[图像处理]-Canny边缘检测算法_orangezs的博客-CSDN博客_canny边缘检测算法

图像金字塔：  

          图像金字塔可以以多分辨率、多维度解释图像。常用于图像分割、图像缩放(下采样）

原图：

原图大小尺寸为（537，609，3）

 

高斯金字塔(Gaussian pyramid)：

下采样：Gi=cv2.pyrDown(img)  缩小：

     下采样分为两个步骤：

1. 对img进行高斯内核卷积（高斯模糊）
2. 将所有偶数列、行去掉[丢失信息]

效果：

pyr_Down=cv2.pyrDown(img)
print(pyr_Down.shape)

cv_show(pyr_Down,'Down')

plt.imshow(pyr_Down)

可以看见pyr_Down 的shape值变成了（269，305，3）

上采样：Gi=cv2.pyrUp(img) 放大：

        上采样的步骤：

1. 将img在每个方向扩大2倍，新增的行、列将以0填充，获得img1
2. 使用先前同样的高斯内核（*4）与img1卷积，获得新增像素值的近似值

效果：

shape值变成（1074，1218，3）

拉普拉斯金字塔：

        前面讲到，高斯金字塔中，上采样与下采样并不是互逆的，即上采样并不是下采样的逆操作，我们可以看一下先Up后Down或先Down后Up会有什么区别

 

Up_Down=cv2.pyrUp(pyr_Down)
Down_Up=cv2.pyrDown(pyr_Up)

print(img.shape)
print(Up_Down.shape)
print(Down_Up.shape)

 

 拉普拉斯金字塔的实现代码：

G1=cv2.pyrDown(pyr_Up)
L1=img-G1

print(L1.shape)
cv_show(L1,'l1')
plt.imshow(L1)