本文主要介绍了边缘检测在计算机视觉中的重要性，详细讲解了Sobel算子和Canny边缘检测算法的原理及OpenCV的实现。通过高斯滤波、计算梯度、非极大值抑制和双阈值检测等步骤，阐述了Canny算法的完整流程。
系列文章
Python+OpenCV图像处理（一）——OpenCV框架与图像插值算法
Python+OpenCV图像处理（二）——几何变换
Python+OpenCV图像处理（三）——彩色空间互换
Python+OpenCV图像处理（四）——图像滤波
Python+OpenCV图像处理（五）——图像阈值和二值化
Python+OpenCV图像处理（六）——边缘检测
六、边缘检测
6.1 边缘检测简介
边缘是指图像中图像像素值变化明显的位置。这些变化明显的位置常常是图像中需要关注的位置，对这些关键位置的检测，就叫做边缘检测。
一般情况下，我们为了检测这种不连续性，可以使用导数来完成。如下图所示：
由于在计算导数的时候，噪点很容易会被误检测作边缘，所以在进行边缘检测的时候，应先进行图像的滤波操作。
6.2 边缘检测算子
通常边缘检测的算子分为一阶算子和二阶算子，它们分别有以下几种代表：
- 一阶算子 —— Sobel算子，Roberts Cross算子，Prewitt算子， Kirsch算子，罗盘算子
- 二阶算子 —— Canny算子，Marr-Hildreth，在梯度方向的二阶导数过零点，Laplacian算子
6.2.1 Sobel算子
Sobel算子属于一阶算子，我们可以使用 3 × 3 3 \times 3 3×3 的卷积核来进行图像求导：
G y ′ = [ + 1 + 2 + 1 0 0 0 − 1 − 2 − 1 ] ∗ I 和 G x ′ = [ + 1 0 − 1 + 2 0 − 2 + 1 0 − 1 ] ∗ I {\displaystyle \mathbf {G}'_{y}={ \begin{bmatrix}+1&+2&+1\\0&0&0\\-1&-2&-1\end{bmatrix}}*\mathbf {I} \quad { {和}}\quad \mathbf{G}'_{x}={\begin{bmatrix}+1&0&-1\\+2&0&-2\\+1&0&-1\end{bmatrix}}*\mathbf {I} } Gy′=⎣⎡+10−1+20−2+10−1⎦⎤∗I和Gx′=⎣⎡+1+2+1000−1−2−1⎦⎤∗I
其中 I \mathbf {I} I表示原图片， G x ′ \mathbf {G}'_{x} Gx′和 G y ′ \mathbf {G}'_{y} Gy′分别表示沿图片水平和竖直方向上的变化， ∗ * ∗表示卷积操作
下面以Sobel算子为例讲述如何计算梯度
x和y方向的Sobel算子分别为：
G x = [ − 1 0 + 1 − 2 0 + 2 − 1 0 + 1 ] 和 G y = [ + 1 + 2 + 1 0 0 0 − 1 − 2 − 1 ] {\displaystyle \mathbf {G}_{x}={ \begin{bmatrix}-1&0&+1\\-2&0&+2\\-1&0&+1\end{bmatrix}} \quad { {和}}\quad \mathbf{G}_{y}={\begin{bmatrix}+1&+2&+1\\0&0&0\\-1&-2&-1\end{bmatrix}}} Gx=⎣⎡−1−2−1
最低0.47元/天 解锁文章
447
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
