图像梯度与canny边缘检测
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,其灰度值变化比较小,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。
图像梯度
sobel算子
import cv2
import numpy as np
def cv_show(name,img):
cv2.imshow(name,img)
cv2.waitKey()
cv2.destroyAllWindows()
img = cv2.imread('yuan.jpg',cv2.IMREAD_GRAYSCALE)
cv_show("yuan",img)
计算图像x方向边缘
sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
#因为右侧像素减去左边像素,存在负值的情况,因此使用cv2.convertScaleAbs取绝对值操作
sobelx = cv2.convertScaleAbs(sobelx)
cv_show("sobelx",sobelx)
计算y方向边缘
sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)
#因为下侧像素减去下边像素,存在负值的情况,因此使用cv2.convertScaleAbs取绝对值操作
sobely = cv2.convertScaleAbs(sobely)
cv_show("sobely",sobely)
合并
sobel_demo = cv2.addWeighted(sobelx,0.5,sobely,0.5,0.5)
cv_show("sobel_demo",sobel_demo)
当然也可以
sobelxy = cv2.Sobel(img,cv2.CV_64F,1,1,ksize=3)
sobel=cv2.convertScaleAbs(sobelxy)
cv_show("sobel",sobel)
边缘检测
Canny边缘检测
-
使用高斯滤波器,以平滑图像,滤除噪声。
-
计算图像中每个像素点的梯度强度和方向。
-
应用非极大值(Non-Maximum Suppression)抑制,以消除边缘检测带来的杂散响应。
-
应用双阈值(Double-Threshold)检测来确定真实的和潜在的边缘。
-
通过抑制孤立的弱边缘最终完成边缘检测。
v1=cv2.Canny(peppa,80,150)
v2=cv2.Canny(peppa,50,100)
cv2.imshow("v1",v1)
cv2.imshow("v2",v2)
cv2.waitKey()
cv2.destroyAllWindows()
import cv2
def doCanny(x):
position = cv2.getTrackbarPos("CannyBar", "Canny")
canny = cv2.Canny(gauss, position, position*2.5)
cv2.imshow("Canny", canny)
img = cv2.imread("peppa.png",0)
gauss = cv2.GaussianBlur(img, (3, 3), 1)
cv2.namedWindow("Canny")
cv2.createTrackbar("CannyBar", "Canny", 1, 100, doCanny)
cv2.waitKey()
cv2.destroyAllWindows()
车道检测
import cv2
import numpy as np
def canny(image):
gray = cv2.cvtColor(image,cv2.COLOR_RGB2GRAY)
blur = cv2.GaussianBlur(gray,(5,5),0)#降低噪点
canny = cv2.Canny(blur,50,150)
return canny
def region_of_interest(image):#应用遮罩
height = image.shape[0]
ploygons = np.array([[(200,height),(1100,height),(550,250)]])
mask = np.zeros_like(image)
cv2.fillPoly(mask,ploygons,255)
masked_image = cv2.bitwise_and(image,mask)#通过 bitwise_and 对两个图像的每一个像素做与运算,来将遮罩应用图像
return masked_image
# read image
image = cv2.imread('test_image.webp')
# copy not reference to
lane_image = np.copy(image)
canny = canny(lane_image)
cv2.imshow('canny',canny)
cv2.imshow('region_of_interest(canny)',region_of_interest(canny))
cv2.waitKey(0)
© Fu Xianjun. All Rights Reserved.