边缘检测-上

最新推荐文章于 2024-07-13 22:55:12 发布

十全大补丁

最新推荐文章于 2024-07-13 22:55:12 发布

阅读量65

点赞数

文章标签：计算机视觉图像处理

本文链接：https://blog.csdn.net/dyymzx/article/details/132611872

版权

1 什么是边缘？

图像的边缘时指图像局部区域亮度变化显著的部分

2 边缘检测

边缘检测，顾名思义，就是提取边缘。
边缘检测的原理是：在边缘部分，像素值会出现较大的变化，**在边缘部分求一阶导数，就会出现极值。而在一阶导数为极值的地方，二阶导数为0，基于这个原理，就可以进行边缘检测。**如下图所示：左边为图像，右边为对图像宽度方向求一阶导数导数的变化曲线图，图像的边缘位于黑白相接的地方，也是就是weight = 100，由右图可知，weight = 100是该处的一阶导数为最大值，因此该点就是边缘点。

在这里插入图片描述

常用的方法有：
一阶导数：sobel、prewitt、Roberts等算子
二阶导数：Laplace、Canny算子

其中，Canny算子的效果最好，但是实现起来更麻烦。

3 常用算子的原理

边缘在一阶导数取最大值，二阶导数为0的地方，在图像处理中，将一阶导数最大值原理提取边缘的算子称为一阶微分边缘算子，将利用二阶导数为0的原理求边缘的算子称为二阶微分边缘算子。

3.1 一阶微分边缘算子

一阶微分边缘算子求边缘实际上就是求导数，那么在图像中导数该怎么计算？

设*f(x,y)*为点（x, y）对应的像素值大小，则图像在x方向和y方向的一阶微分算子应该计算为：
在这里插入图片描述
图像是离散的二维函数，∆x、∆y不能无限小，最小就是1像素。因此，上述公式就变成：

在这里插入图片描述
该式对应的算子是：

3.1.1 Prewitt 算子

利用上述的Gx, Gy来检测边缘还存在一个问题，就是噪声点会被误测为边缘。通常如果一个点是边缘点，那么它上面下面的点也为边缘点，而噪声却是一个孤立的点，因此，可以根据其上下点的梯度来判断该点是不是边缘点。相同时检测锚点及其上方下方点的梯度，只需将滤波器扩展为：

在这里插入图片描述
该算子可以用来检测边缘，但是它不是Prewitt 算子。真正的Prewitt 算子是：

利用 Prewitt 算子，计算出水平和垂直梯度的幅值，可以得到边缘的强度。对于某个像素点P，如果其水平和垂直梯度都较大，意味着其周围存在边缘，即捕捉到了上下文信息。反之，如果梯度较小，则说明该点周围没有明显的边缘。可以设定一阈值，大于阈值的为边缘，小于阈值的视为噪声点。
使用 Prewitt 算子进行边缘检测的代码如下：

import numpy as np
import cv2
import matplotlib.pyplot as plt

# 读取图像
image = cv2.imread('lenna.png', cv2.IMREAD_GRAYSCALE)

# 定义Prewitt算子模板
prewitt_x = np.array([[-1, 0, 1], [-1, 0, 1], [-1, 0, 1]])
prewitt_y = np.array([[-1, -1, -1], [0, 0, 0], [1, 1, 1]])

# 使用Prewitt算子进行边缘检测
gradient_x = cv2.filter2D(image, -1, prewitt_x)
gradient_y = cv2.filter2D(image, -1, prewitt_y)

# 将x、y梯度相加得到边缘图像
edge_image = cv2.add(np.abs(gradient_x), np.abs(gradient_y))

# 显示图像
plt.subplot(2, 2, 1), plt.imshow(image, cmap='gray')
plt.title('Original Image'), plt.xticks([]), plt.yticks([])

plt.subplot(2, 2, 2), plt.imshow(gradient_x, cmap='gray')
plt.title('Prewitt X'), plt.xticks([]), plt.yticks([])

plt.subplot(2, 2, 3), plt.imshow(gradient_y, cmap='gray')
plt.title('Prewitt Y'), plt.xticks([]), plt.yticks([])

plt.subplot(2, 2, 4), plt.imshow(edge_image, cmap='gray')
plt.title('Prewitt Edge'), plt.xticks([]), plt.yticks([])

plt.show()

运行结果如下：
在这里插入图片描述

3.1.2 Sobel检测算子

Sobel检测算子与Prewitt算子原理一样，他是Prewitt算子的一种特殊情况。**Sobel检测算子对像素的位置进行了加权，距离边缘更远的像素会被赋予较小的权重，而距离边缘更近的像素会被赋予较大的权重，使得边缘像素的响应更强烈。**其模板为：
在这里插入图片描述
使用 Sobel算子进行边缘检测的代码如下：

def sobel_edge_detection(image):

    # 对图像进行高斯模糊以减少噪声
    blurred = cv2.GaussianBlur(image, (3, 3), 0)

    # 计算x方向和y方向的梯度
    gradient_x = cv2.Sobel(blurred, cv2.CV_64F, 1, 0, ksize=3)
    gradient_y = cv2.Sobel(blurred, cv2.CV_64F, 0, 1, ksize=3)

    # 取绝对值并转换为8位无符号整数
    gradient_x = cv2.convertScaleAbs(gradient_x)
    gradient_y = cv2.convertScaleAbs(gradient_y)

    # 将x方向和y方向的梯度相加
    gradient = cv2.addWeighted(gradient_x, 0.5, gradient_y, 0.5, 0)

    # 显示图像
    plt.subplot(2, 2, 1), plt.imshow(image, cmap='gray')
    plt.title('Original Image'), plt.xticks([]), plt.yticks([])

    plt.subplot(2, 2, 2), plt.imshow(gradient_x, cmap='gray')
    plt.title('Prewitt X'), plt.xticks([]), plt.yticks([])

    plt.subplot(2, 2, 3), plt.imshow(gradient_y, cmap='gray')
    plt.title('Prewitt Y'), plt.xticks([]), plt.yticks([])

    plt.subplot(2, 2, 4), plt.imshow(gradient, cmap='gray')
    plt.title('Prewitt Edge'), plt.xticks([]), plt.yticks([])

    plt.show()

    '''
    # 显示图像和边缘图
    cv2.imshow('Original Image', image)
    cv2.imshow('X Direction Gradient', gradient_x)
    cv2.imshow('Y Direction Gradient', gradient_y)
    cv2.imshow('Combined Gradient', gradient)
    cv2.waitKey(0)
    cv2.destroyAllWindows()'''


# 读取图像
image = cv2.imread('lenna.png',  cv2.IMREAD_GRAYSCALE)

# 进行边缘检测
sobel_edge_detection(image)