OpenCV_08 边缘检测：Sobel检测算子+Laplacian算子+Canny边缘检测

四果汤多加陈皮才酸爽

于 2022-11-18 15:58:20 发布

阅读量232

点赞数

分类专栏： # OpenCV基础与图形图像处理Python实现文章标签： opencv 计算机视觉图像处理

原文链接：https://v9999.blog.csdn.net/article/details/121941133

版权

OpenCV基础与图形图像处理Python实现专栏收录该内容

13 篇文章 4 订阅

订阅专栏

文章目录

1 原理
2 Sobel检测算子
- 2.1 方法
- 2.2 应用
3 Laplacian算子
4 Canny边缘检测
- 4.1 原理
- 4.2 应用
总结

1 原理

边缘检测是图像处理和计算机视觉中的基本问题，边缘检测的目的是标识数字图像中亮度变化明显的点。图像属性中的显著变化通常反映了属性的重要事件和变化。边缘的表现形式如下图所示：
在这里插入图片描述
图像边缘检测大幅度地减少了数据量，并且剔除了可以认为不相关的信息，保留了图像重要的结构属性。有许多方法用于边缘检测，它们的绝大部分可以划分为两类：基于搜索和基于零穿越。

基于搜索：通过寻找图像一阶导数中的最大值来检测边界，然后利用计算结果估计边缘的局部方向，通常采用梯度的方向，并利用此方向找到局部梯度模的最大值，代表算法是Sobel算子和Scharr算子。
在这里插入图片描述

基于零穿越：通过寻找图像二阶导数零穿越来寻找边界，代表算法是Laplacian算子。
在这里插入图片描述

2 Sobel检测算子

Sobel边缘检测算法比较简单，实际应用中效率比canny边缘检测效率要高，但是边缘不如Canny检测的准确，但是很多实际应用的场合，sobel边缘却是首选，Sobel算子是高斯平滑与微分操作的结合体，所以其抗噪声能力很强，用途较多。尤其是效率要求较高，而对细纹理不太关心的时候。

2.1 方法

对于不连续的函数，一阶导数可以写作：
$f^{'}(x)=f(x)-f(x-1)$
或
$f^{'}(x)=f(x+1)-f(x)$
所以有：
$f^{'}(x)=\dfrac { f(x+1)-f(x-1)}{2}$

假设要处理的图像为l，在两个方向上求导：

水平变化：将图像I与奇数大小的模版进行卷积，结果为Gx。比如，当模板大小为3时, Gx为:

$G_x=\begin{bmatrix} -1&0&+1\\-2&0&+2\\-1&0&+1\end{bmatrix}*I$

垂直变化：将图像I与奇数大小的模板进行卷积，结果为Gy。比如，当模板大小为3时, 则Gy为:
$G_y=\begin{bmatrix} -1&-2&-1\\0&0&0\\+1&+2&+1\end{bmatrix}*I$

在图像的每一点，结合以上两个结果求出：
$G=\sqrt{G^2_x+G^2_y}$

统计极大值所在的位置，就是图像的边缘。
注意：当内核大小为3时, 以上Sobel内核可能产生比较明显的误差，为解决这一问题，我们使用Scharr函数，但该函数仅作用于大小为3的内核。该函数的运算与Sobel函数一样快，但结果却更加精确，其计算方法为:
$G_x=\begin{bmatrix} -3&0&+3\\-10&0&+10\\-3&0&+3\end{bmatrix}*I$
$G_y=\begin{bmatrix} -3&-10&-3\\0&0&0\\+3&+10&+3\end{bmatrix}*I$

2.2 应用

利用OpenCV进行sobel边缘检测的API是：

Sobel_x_or_y = cv2.Sobel(src, ddepth, dx, dy, dst, ksize, scale, delta, borderType)

参数：

src：传入的图像
ddepth: 图像的深度
dx和dy: 指求导的阶数，0表示这个方向上没有求导，取值为0、1。
ksize: 是Sobel算子的大小，即卷积核的大小，必须为奇数1、3、5、7，默认为3。
注意：如果ksize=-1，就演变成为3x3的Scharr算子。
scale：缩放导数的比例常数，默认情况为没有伸缩系数。
borderType：图像边界的模式，默认值为cv2.BORDER_DEFAULT。

Sobel函数求完导数后会有负值，还有会大于255的值。而原图像是uint8，即8位无符号数，所以Sobel建立的图像位数不够，会有截断。因此要使用16位有符号的数据类型，即cv2.CV_16S。

处理完图像后，再使用cv2.convertScaleAbs()函数将其转回原来的uint8格式，否则图像无法显示。
Sobel算子是在两个方向计算的，最后还需要用cv2.addWeighted( )函数将其组合起来

Scale_abs = cv2.convertScaleAbs(x)  # 格式转换函数
result = cv2.addWeighted(src1, alpha, src2, beta) # 图像混合

sobel算子的部分中将ksize设为-1，就是利用Scharr进行边缘检测。

3 Laplacian算子

Laplacian是利用二阶导数来检测边缘 。因为图像是二维 , 我们需要在两个方向求导，如下式所示：

$\Delta src= \frac{\partial ^{2} src}{\partial ^{2} x} + \frac{\partial ^{2} src}{\partial ^{2} y}$

那不连续函数的二阶导数是：

$f^{''}(x)=f^{'}(x+1)-f^{'}(x)=f(x+1)+f(x-1)-2f(x)$
那使用的卷积核是：
$kernel=\begin{bmatrix}0&1&0\\1&-4&1\\0&1&0\end{bmatrix}$

API接口：

laplacian = cv2.Laplacian(src, ddepth[, dst[, ksize[, scale[, delta[, borderType]]]]])

参数：

Src: 需要处理的图像；
Ddepth: 图像的深度，-1表示采用的是原图像相同的深度，目标图像的深度必须大于等于原图像的深度；
ksize：算子的大小，即卷积核的大小，必须为1,3,5,7。

4 Canny边缘检测

Canny 边缘检测算法是一种非常流行的边缘检测算法，是 John F. Canny 于 1986年提出的，被认为是最优的边缘检测算法。

4.1 原理

Canny边缘检测算法是由4步构成，分别介绍如下：

第一步：噪声去除
由于边缘检测很容易受到噪声的影响，所以首先使用 $5 * 5$ 高斯滤波器去除噪声，在图像平滑那一章节中已经介绍过。
第二步：计算图像梯度
对平滑后的图像使用 Sobel 算子计算水平方向和竖直方向的一阶导数（Gx 和 Gy）。根据得到的这两幅梯度图（Gx 和 Gy）找到边界的梯度和方向，公式如下:

$Edge\_Gradient(G) = \sqrt {G^2_x + G^2_y}$
$Angle(\theta) = \tan^{-1}(\frac {G_y}{G_x})$

如果某个像素点是边缘，则其梯度方向总是垂直与边缘垂直。梯度方向被归为四类：垂直，水平，和两个对角线方向。

第三步：非极大值抑制
在获得梯度的方向和大小之后，对整幅图像进行扫描，去除那些非边界上的点。对每一个像素进行检查，看这个点的梯度是不是周围具有相同梯度方向的点中最大的。如下图所示：

A点位于图像的边缘，在其梯度变化方向，选择像素点B和C，用来检验A点的梯度是否为极大值，若为极大值，则进行保留，否则A点被抑制，最终的结果是具有“细边”的二进制图像。
第四步：滞后阈值
现在要确定真正的边界。我们设置两个阈值： minVal 和 maxVal。当图像的灰度梯度高于 maxVal 时被认为是真的边界，低于 minVal 的边界会被抛弃。如果介于两者之间的话，就要看这个点是否与某个被确定为真正的边界点相连，如果是就认为它也是边界点，如果不是就抛弃。如下图：

如上图所示，A 高于阈值 maxVal 所以是真正的边界点，C 虽然低于 maxVal 但高于 minVal 并且与 A 相连，所以也被认为是真正的边界点。而 B 就会被抛弃，因为低于 maxVal 而且不与真正的边界点相连。所以选择合适的 maxVal 和 minVal 对于能否得到好的结果非常重要。

4.2 应用

在OpenCV中要实现Canny检测使用的API:

canny = cv2.Canny(image, threshold1, threshold2)

参数：

image:灰度图;
threshold1: minval，较小的阈值将间断的边缘连接起来;
threshold2: maxval，较大的阈值检测图像中明显的边缘;

示例：

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
# 1 读取图像
img = cv.imread('./DIP4E/lena.tif',0)
# 2 Sobel算子边缘检测
x_sobel = cv.Sobel(img, cv.CV_16S, 1, 0) # Sobel算子
y_sobel = cv.Sobel(img, cv.CV_16S, 0, 1) # 默认ksize=3
Scale_absX_sobel = cv.convertScaleAbs(x_sobel)  # convert 转换  scale 缩放
Scale_absY_sobel = cv.convertScaleAbs(y_sobel)
result_sobel = cv.addWeighted(Scale_absX_sobel, 0.5, Scale_absY_sobel, 0.5, 0)
# 3 Scharr算子边缘检测
x_scharr = cv.Sobel(img, cv.CV_16S, 1, 0, ksize=-1) # ksize=-1, Scharr算子
y_scharr = cv.Sobel(img, cv.CV_16S, 0, 1, ksize=-1) # ksize=-1, Scharr算子
Scale_absX_scharr = cv.convertScaleAbs(x_scharr)  # convert 转换  scale 缩放
Scale_absY_scharr = cv.convertScaleAbs(y_scharr)
result_scharr = cv.addWeighted(Scale_absX_scharr, 0.5, Scale_absY_scharr, 0.5, 0)
# Laplacian算子
result_laplacian = cv.Laplacian(img, cv.CV_16S)
Scale_abs_laplacian = cv.convertScaleAbs(result_laplacian)
# Canny边缘检测
lowThreshold = 0
max_lowThreshold = 80
canny = cv.Canny(img, lowThreshold, max_lowThreshold)

# 5 图像显示
plt.figure(figsize=(9,6),dpi=100)
plt.subplot(231),plt.imshow(img,cmap=plt.cm.gray),plt.title('原图')
plt.xticks([]), plt.yticks([])
plt.subplot(232),plt.imshow(result_sobel,cmap = plt.cm.gray),plt.title('Sobel算子')
plt.xticks([]), plt.yticks([])
plt.subplot(233),plt.imshow(result_scharr,cmap = plt.cm.gray),plt.title('Scharr算子')
plt.xticks([]), plt.yticks([])
plt.subplot(234),plt.imshow(Scale_abs_laplacian,cmap = plt.cm.gray),plt.title('Laplacian算子')
plt.xticks([]), plt.yticks([])
plt.subplot(235),plt.imshow(canny,cmap = plt.cm.gray),plt.title('Canny算子')
plt.xticks([]), plt.yticks([])  
plt.show()

在这里插入图片描述

总结

边缘检测的原理
基于搜索：利用一阶导数的最大值获取边界
基于零穿越：利用二阶导数为0获取边界
Sobel算子
基于搜索的方法获取边界
cv.sobel()
cv.convertScaleAbs()
cv.addweights()
Laplacian算子
基于零穿越获取边界
cv.Laplacian()
Canny算法
流程：
- 噪声去除：高斯滤波
- 计算图像梯度：sobel算子，计算梯度大小和方向
- 非极大值抑制：利用梯度方向像素来判断当前像素是否为边界点
- 滞后阈值：设置两个阈值，确定最终的边界

5 算子比较
在这里插入图片描述

四果汤多加陈皮才酸爽

关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
OpenCV_08 边缘检测：Sobel检测算子+Laplacian算子+Canny边缘检测

边缘检测的原理基于搜索：利用一阶导数的最大值获取边界基于零穿越：利用二阶导数为0获取边界Sobel算子基于搜索的方法获取边界cv.sobel()Laplacian算子基于零穿越获取边界Canny算法流程：噪声去除：高斯滤波计算图像梯度：sobel算子，计算梯度大小和方向非极大值抑制：利用梯度方向像素来判断当前像素是否为边界点滞后阈值：设置两个阈值，确定最终的边界5 算子比较。
复制链接

扫一扫