OpenCV-Python快速入门（七）：边缘检测

最新推荐文章于 2024-01-29 14:33:43 发布

FriendshipT

最新推荐文章于 2024-01-29 14:33:43 发布

阅读量911

点赞数 4

分类专栏： OpenCV-Python快速入门文章标签： opencv python 计算机视觉

本文链接：https://blog.csdn.net/FriendshipTang/article/details/126045199

版权

OpenCV-Python快速入门专栏收录该内容

15 篇文章 44 订阅

订阅专栏

OpenCV-Python快速入门（七）：边缘检测

前言

本文是个人快速入门OpenCV-Python的电子笔记，由于水平有限，难免出现错漏，敬请批评改正。
更多精彩内容，可点击进入
OpenCV-Python快速入门专栏或我的个人主页查看

前提条件

熟悉Python

实验环境

Python 3.x （面向对象的高级语言）
OpenCV 4.0（python第三方库）pip3 install opencv-python

边缘检测

图像梯度

图像梯度计算的是图像变化的速度。对于图像的边缘部分，其灰度值变化较大，梯度值也较大；相反，对于图像中比较平滑的部分，其灰度值变化较小，相应的梯度值也较小。一般情况下，图像梯度计算的是图像的边缘信息。
严格来讲，图像梯度计算需要求导数，但是图像梯度一般通过计算像素值的差来得到梯度的近似值（近似导数值）。
在图像处理中，我们经常使用用 Sobel 算子、Scharr算子、 Laplacian 算子来计算图像的边缘信息。
由于本文撰写的目的是快速入门，上述知识点，在入门阶段，了解并且会应用即可。

Sobel 算子

Sobel 算子是一种离散的微分算子，该算子结合了高斯平滑和微分求导运算。该算子利用局部差分寻找边缘，计算所得的是一个梯度的近似值。
Sobel 算子，一般定义为 $\left[ \begin{matrix} -1 & 0 & 1\\ -2 & 0 & 2 \\ -1 & 0 & 1 \end{matrix} \right]$ $\left[ \begin{matrix} -1 & -2 & -1\\ 0 & 0 & 0 \\ -1 & 2 & 1 \end{matrix} \right]$
计算水平方向偏导数的近似值，将 Sobel 算子与原始图像 img 进行卷积计算 Sobel 算子与原始图像 img 进行卷积计算。 $G_x=\left[ \begin{matrix} -1 & 0 & 1\\ -2 & 0 & 2 \\ -1 & 0 & 1 \end{matrix} \right]*img$ 其中， $G_x$ 表示水平方向偏导数。
计算垂直方向偏导数的近似值，将 Sobel 算子与原始图像 img 进行卷积计算 Sobel 算子与原始图像 img 进行卷积计算。 $G_y=\left[ \begin{matrix} -1 & -2 & -1\\ 0 & 0 & 0 \\ -1 & 2 & 1 \end{matrix} \right]*img$ 其中， $G_y$ 表示垂直方向偏导数。
注：需要了解卷积运算的，可查阅OpenCV-Python快速入门（六）：图像平滑

import cv2
import numpy as np

img1=cv2.imread("1.jpg",0)
img1_resize=cv2.resize(img1,(400,400))
'''
dst = cv2.Sobel( src, ddepth, dx, dy[,ksize[, scale[, delta[, borderType]]]] )
参数说明：
    dst 代表目标图像。
    src 代表原始图像。
    ddepth 代表输出图像的深度。
    dx 代表 x 方向上的求导阶数。
    dy 代表 y 方向上的求导阶数。
    ksize 代表 Sobel 核的大小。该值为-1 时，则会使用 Scharr 算子进行运算。
    scale 代表计算导数值时所采用的缩放因子，默认情况下该值是 1，是没有缩放的。
    delta 代表加在目标图像 dst 上的值，该值是可选的，默认为 0。
    borderType 代表边界样式。
'''
# 计算水平方向边缘（梯度）：dx=1,dy=0
Sobelx = cv2.Sobel(img1_resize,cv2.CV_64F,1,0)
# 计算垂直方向边缘（梯度）：dx=0,dy=1
Sobely = cv2.Sobel(img1_resize,cv2.CV_64F,0,1)
# 计算两个方向边缘（梯度）：dx=1,dy=1
Sobelxy = cv2.Sobel(img1_resize,cv2.CV_64F,1,1)
# 计算x方向和y方向的边缘叠加
Sobelx_add_Sobely=cv2.addWeighted(Sobelx,0.5,Sobely,0.5,0)
# 取计算结果绝对值
SobelAbs=cv2.convertScaleAbs(Sobelxy)
cv2.imshow("origin",img1_resize)
cv2.imshow("Sobelx",Sobelx)
cv2.imshow("Sobely",Sobely)
cv2.imshow("Sobelxy",Sobelxy)
cv2.imshow("Sobelx_add_Sobely",Sobelx_add_Sobely)
cv2.imshow("SobelAbs",SobelAbs)
cv2.waitKey()
cv2.destroyAllWindows()

在这里插入图片描述

Scharr 算子

在离散的空间上，有很多方法可以用来计算近似导数，在使用 3×3 的 Sobel 算子时，可能计算结果并不太精准。OpenCV 提供了 Scharr 算子，该算子具有和 Sobel 算子同样的速度，且精度更高。
Scharr 算子，一般定义为 $\left[ \begin{matrix} -3 & 0 & 3\\ -10 & 0 & 10 \\ -3 & 0 & 3 \end{matrix} \right]$ $\left[ \begin{matrix} -3 & -10 & -3\\ 0 & 0 & 0 \\ -3 & 10 & 3 \end{matrix} \right]$
Scharr 算子的计算方式与Sobel 算子的一样，只是算子不一样。

import cv2
import numpy as np

img1=cv2.imread("1.jpg",0)
img1_resize=cv2.resize(img1,(400,400))
'''
dst = cv2.Scharr( src, ddepth, dx, dy[, scale[, delta[, borderType]]] )
参数说明：
    dst 代表输出图像。
    src 代表原始图像。
    ddepth 代表输出图像深度。该值与函数 cv2.Sobel()中的参数 ddepth 的含义相同
    dx 代表 x 方向上的导数阶数。
    dy 代表 y 方向上的导数阶数。
    scale 代表计算导数值时的缩放因子，该项是可选项，默认值是 1，表示没有缩放。
    delta 代表加到目标图像上的亮度值，该项是可选项，默认值为 0。
    borderType 代表边界样式。
'''
# 计算水平方向边缘（梯度）：dx=1,dy=0
Scharrx = cv2.Scharr(img1_resize,cv2.CV_64F,1,0)
# 取计算结果绝对值
ScharrxAbs=cv2.convertScaleAbs(Scharrx)
# 计算垂直方向边缘（梯度）：dx=0,dy=1
Scharry = cv2.Scharr(img1_resize,cv2.CV_64F,0,1)
# 取计算结果绝对值
ScharryAbs=cv2.convertScaleAbs(Scharry)
# 计算x方向和y方向的边缘叠加
Scharrx_add_Scharry=cv2.addWeighted(Scharrx,0.5,Scharry,0.5,0)

cv2.imshow("origin",img1_resize)
cv2.imshow("Scharrx",Scharrx)
cv2.imshow("ScharrxAbs",ScharrxAbs)
cv2.imshow("Scharry",Scharry)
cv2.imshow("SobelyAbs",ScharryAbs)
cv2.imshow("Scharrx_add_Scharry",Scharrx_add_Scharry)
cv2.waitKey()
cv2.destroyAllWindows()

在这里插入图片描述

Laplacian 算子

Laplacian（拉普拉斯）算子是一种二阶导数算子，其具有旋转不变性，可以满足不同方向的图像边缘锐化（边缘检测）的要求。通常情况下，其算子的系数之和需要为零。
一个 3×3 大小的 Laplacian 算子为 $\left[ \begin{matrix} 0 & 1 & 0\\ 1 & -4 & 1 \\ 0 & 1 & 0 \end{matrix} \right]$
Laplacian 算子的计算方式与Sobel 算子、Scharr 算子的一样，只是算子不一样。

import cv2
import numpy as np

img1=cv2.imread("1.jpg",0)
img1_resize=cv2.resize(img1,(400,400))
'''
dst = cv2.Laplacian( src, ddepth[, ksize[, scale[, delta[, borderType]]]] )
参数说明：
    dst 代表目标图像。
    src 代表原始图像。
    ddepth 代表目标图像的深度。
    ksize 代表用于计算二阶导数的核尺寸大小。该值必须是正的奇数。
    scale 代表计算 Laplacian 值的缩放比例因子，该参数是可选的。默认情况下，该值为 1，
    表示不进行缩放。
    delta 代表加到目标图像上的可选值，默认为 0。
    borderType 代表边界样式。
'''
# 计算两个方向的梯度值
Laplacianxy = cv2.Laplacian(img1_resize,cv2.CV_64F)
# 取计算结果绝对值
LaplacianAbs = cv2.convertScaleAbs(Laplacianxy)
cv2.imshow("origin",img1_resize)
cv2.imshow("Laplacianxy",Laplacianxy)
cv2.imshow("LaplacianAbs",LaplacianAbs)
cv2.waitKey()
cv2.destroyAllWindows()

在这里插入图片描述

Canny 边缘检测

Canny 边缘检测是一种使用多级边缘检测算法检测边缘的方法。
Canny 边缘检测分为如下几个步骤。
去噪。噪声会影响边缘检测的准确性，因此首先要将噪声过滤掉。（通常使用高斯滤波进行去噪，需要了解高斯滤波的，可查阅OpenCV-Python快速入门（六）：图像平滑）
计算梯度的幅度与方向。
非极大值抑制，即适当地让边缘“变瘦”。
确定边缘。使用双阈值算法确定最终的边缘信息。

由于本文撰写的目的是快速入门，Canny 边缘检测步骤，在入门阶段，了解并且会应用即可。
扩展知识： $\begin{cases} |\frac{dl}{dx}|+|\frac{dl}{dy}|，\quad L2gradient = False\\ \sqrt{(\frac{dl}{dx})^2 + (\frac{dl}{dy})^2}，\quad L2gradient = True \end{cases}$ 其中，L2gradient = False时，表达式是L1范数，L2gradient = True时，表达式是L2范数。

import cv2
import numpy as np

img1=cv2.imread("1.jpg",0)
img1_resize=cv2.resize(img1,(400,400))
'''
edges = cv.Canny( image, threshold1, threshold2[, apertureSize[, L2gradient]])
参数说明：
    edges 为计算得到的边缘图像。
    image 为 8 位输入图像。
    threshold1 表示处理过程中的第一个阈值。
    threshold2 表示处理过程中的第二个阈值。
    apertureSize 表示 Sobel 算子的孔径大小。
    L2gradient 为计算图像梯度幅度（gradient magnitude）的标识。
        其默认值为 False。如果为 True，则使用更精确的 L2 范数进行计算
        （即两个方向的导数的平方和再开方），否则使用 L1 范数
        （直接将两个方向导数的绝对值相加）。
'''
edges1 = cv2.Canny(img1_resize,128,200)
edges2 = cv2.Canny(img1_resize,32,128)
cv2.imshow("origin",img1_resize)
cv2.imshow("edges1",edges1)
cv2.imshow("edges2",edges2)
cv2.waitKey()
cv2.destroyAllWindows()