数字图像处理之边缘检测

    边缘检测即将原图像中景物或人物等的边缘(轮廓)的检测。

    其实边缘检测和锐化真的比较相近，只是程度不同而已。通过对边缘点做灰度差分即可得到边缘。（可参考上一博)

    通常为了让效果更佳明显，会做一个二值化。

    至于二值化的方法也有很多种，比如全局的二值化的Ostu算法，迭代算法，大津法等，还有自适应的二值化等，之后的文章会详细进行介绍。

    对于边缘检测 同样可以使用拉普拉斯算子，Kirsh算子，Canny算子等。

 拉普拉斯算子Kirsh算子之一

Canny算子之一

   以下是以Kirsh算子为例做卷积对图像进行边缘检测：其中最后使用了二值化使效果更明显。

#Kirsch算子边缘化
def Kirsch():
    global edgeImage
    kir = [   5 , -3  , -3,
             -3 ,  0  ,  5,
             -3 ,  5  , -3 ]
    image = originalImage.convert('L');
    h,w = image.size
    opix = image.load()
    processImage = Image.new('L' , (h,w))
    npix = processImage.load()
    total = 0
    for i in range(h):
        for j in range(w):
            f11 = opix[abs(i - 1) , abs(j - 1)]
            f12 = opix[abs(i - 1) , j]
            if j != w - 1:
                f13 = opix[abs(i - 1) , j + 1]
            else:
                f13 = opix[abs(i - 1) , j]
            f21 = opix[i , abs(j - 1)]
            f22 = opix[i , j]
            if j != w - 1:
                f23 = opix[i , j + 1]
            else :
                f23 = opix[i , j]
            if i != h - 1:
                f31 = opix[i + 1 , abs(j - 1)]
            else:
                f31 = opix[i , abs(j - 1)]
            if i != h - 1:
                f32 = opix[i + 1 , j]
            else:
                f32 = opix[i , j]
            if i != h - 1 and j != w - 1:
                f33 = opix[i + 1 , j + 1]
            else :
                f33 = opix[i , j]
            temp = f11 * kir[0] + f12 * kir[1] + f13 * kir[2] + f21 * kir[3] + f22 * kir[4] + f23 * kir[5] + f31 * kir[6] + f32 * kir[7] + f33 * kir[8]
            npix[i,j] = temp;
            total += abs(temp)
    val = total / (h * w) * 1.618
    edgeImage = processImage.convert('L')
    for i in range (h):
        for j in range (w):
            if (npix[i,j] < val):
                npix[i,j] = 0
            else :
                npix[i,j] = 255

    以下是效果图：

    原图

   

   边缘检测图：

    拉普拉斯

   

   Kirsh

   

    canny

   

二值化后的图像

    拉普拉斯

   

   kirsh

   

   canny