边缘检测

最新推荐文章于 2022-10-26 13:15:20 发布

羊肉串串魅力无穷

最新推荐文章于 2022-10-26 13:15:20 发布

阅读量264

点赞数

分类专栏：图像 - 处理技术

本文链接：https://blog.csdn.net/lk3030/article/details/84190021

版权

图像 - 处理技术专栏收录该内容

7 篇文章 1 订阅

订阅专栏

边缘检测算法一般基于图像强度的一阶和二阶导数进行计算，这些导数通常对噪声很敏感，因此在检测前一般会对图像进行平滑去噪，参见图像降噪、图像滤波。

文章目录

Sobel 算子

Sobel算子，通过计算图像的一阶倒数进行图像边缘检测。

检测步骤：

假定输入图像矩阵为 $I$ ，卷积核大小为 $\times 3$ ，分别计算图像的水平一阶导数 $G x$ 和垂直一阶导数 $G y$ ：
$\quad G_x = \begin{bmatrix} -1 & 0 & 1 \\ -2 & 0 & 2 \\ -1 & 0 & 1 \\ \end{bmatrix} * I \qquad G_y = \begin{bmatrix} -1 & -2 & -1 \\ 0 & 0 & 0 \\ 1 & 2 & 1 \\ \end{bmatrix} * I$
对输出 $G x$ 和 $G y$ 梯度强度合并为图像梯度 $G$ ：
$\quad G = \sqrt{G_{x}^2 + G_{y}^2 } \qquad$
Sobel 算子计算时，简化为：
$\qquad G = |G_x| + |G_y|$

函数原型：

def Sobel(src, ddepth, dx, dy, dst=None, ksize=None, scale=None, delta=None, borderType=None)

参数：

src：需要处理的原图像
ddepth：输出图像的深度
dx：x 方向上的差分阶数
dy：y方向上的差分阶数
dst：返回边缘图像
ksize：默认值3，表示Sobel核的大小；必须取1，3，5或7。
scale：计算导数值时可选的缩放因子，默认值是1，没有应用缩放
delta：表示在结果存入目标图之前可选的delta值，有默认值0。
borderType：边界模式，默认值为BORDER_DEFAULT

返回：检测出的边缘图像

dx 和 dy 表示阶数，一般取 0 或 1，但不超过 2

Scharr 卷积核

当卷积核大小为 3x3 时，使用 sobel 卷积核来计算并不是很精确，此时常用 Scharr 卷积核来代替，如下：

$\quad G_x = \begin{bmatrix} -3 & 0 & 3 \\ -10 & 0 & 10 \\ -3 & 0 & 3 \\ \end{bmatrix}\qquad G_y = \begin{bmatrix} -3 & -10 & -3 \\ 0 & 0 & 0 \\ 3 & 10 & 3 \\ \end{bmatrix}$

而 Sharr 函数，本质上就是令 ksize = 3 且使用 Scharr 卷积核的 Sobel 函数。

函数原型：

def Scharr(src, ddepth, dx, dy, dst=None, scale=None, delta=None, borderType=None)

参数：

src：需要处理的原图像
ddepth：输出图像的深度
dx：x 方向上的差分阶数
dy：y方向上的差分阶数
dst：返回边缘图像
scale：计算导数值时可选的缩放因子，默认值是1，没有应用缩放
delta：表示在结果存入目标图之前可选的delta值，有默认值0。
borderType：边界模式，默认值为BORDER_DEFAULT

返回：检测出的边缘图像

Laplace 算子

Sobel 算子和Laplace算子都可以进行边缘检测，不同之处在于，前者求一阶导，后者求二阶导。

Laplace算子的计算方式如下：
$\quad Laplace(f) = \frac{\partial^2f}{\partial x^2} + \frac{\partial^2f}{\partial y^2}$

表示为离散形式：

$\quad Laplace(f) = f(x+1, y) + f(x-1, y) + f(x, y+1) + f(x, y-1) - 4f(x, y)$

而当ksize=1时，Laplacian 函数采用以下 $\times 3$ 的卷积核：

$\quad \begin{bmatrix} 0 & 1 & 0 \\ 1 & -4 & 1 \\ 0 & 1 & 0\\ \end{bmatrix}\qquad$

函数原型：

def Laplacian(src, ddepth, dst=None, ksize=None, scale=None, delta=None, borderType=None)

参数：

src：需要处理的原图像，单通道8位灰度图
ddept：目标图像的深度
dst：输出的边缘图
ksize：用于计算二阶导数的卷积核大小，必须为正奇数，默认值1
scale：计算拉普拉斯值的时候可选的比例因子，默认值1
delta：表示在结果存入目标图之前可选的delta值，默认值0
borderType：边界模式，默认值为BORDER_DEFAULT

返回：检测出的边缘图像

Canny 边缘检测

检测步骤：

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 $G x$ 和 $G y$ ：
$\quad G_x = \begin{bmatrix} -1 & 0 & 1 \\ -2 & 0 & 2 \\ -1 & 0 & 1 \\ \end{bmatrix} \qquad G_y = \begin{bmatrix} -1 & -2 & -1 \\ 0 & 0 & 0 \\ 1 & 2 & 1 \\ \end{bmatrix}$
根据Gx、Gy梯度图计算整体的梯度强度和角度方向：
$\quad G = \sqrt{G_{x}^2 + G_{y}^2 } \qquad \theta = \arctan(\dfrac{ G_y }{ G_x })$
角度方向近似为四个可能值，即： 0, 45, 90, 135
对图像的梯度强度进行非极大抑制，只有候选边缘点被保留，其余的点被移除，细化图像边缘。
使用两个滞后阀值minVal和maxVal检测和连接边缘。灰度梯度高于maxVal的候选点被认为是边界点，低于minVal的候选点会被抛弃。介于两者之间的候选点，如果与边界点相连，就认为它也是边界点，如果不是就抛弃。
通过抑制孤立的弱边缘最终完成边缘检测。

函数原型：

def Canny(image, threshold1, threshold2, edges=None, apertureSize=None, L2gradient=None)

参数：

image：原图像，单通道8位灰度图
threshold1：第一个滞后阈值
threshold2：第二个滞后阈值
edges：返回边缘图像
apertureSize：Sobel算子的卷积核大小
L2gradient：默认值false，如果为真，则使用更精确的L2范数进行计算（即两个方向的倒数的平方和再开放），否则使用L1范数（直接将两个方向导数的绝对值相加）。

返回：检测出的边缘图像

检测效果对比

卷积核 $k s i z e = 3$ 时：

卷积核 $k s i z e = 5$ 时：

import cv2

def edge_detect(x):
    threshold = cv2.getTrackbarPos('threshold', 'edgeDetect')
    kSize = cv2.getTrackbarPos('kSize', 'edgeDetect')

    if kSize % 2 == 0 or kSize < 3:
        return

    canny = cv2.Canny(blur, threshold, threshold * 3, apertureSize=kSize)

    sobel_x = cv2.Sobel(blur, -1, 1, 0, None, kSize)
    sobel_y = cv2.Sobel(blur, -1, 0, 1, None, kSize)
    sobel_x = cv2.convertScaleAbs(sobel_x)
    sobel_y = cv2.convertScaleAbs(sobel_y)
    sobel = cv2.addWeighted(sobel_x, 1, sobel_y, 1, 0)

    laplacian = cv2.Laplacian(blur, -1, None, kSize)
    laplacian = cv2.convertScaleAbs(laplacian)

    scharr_x = cv2.Scharr(blur, -1, 1, 0)
    scharr_y = cv2.Sobel(blur, -1, 0, 1)
    scharr_x = cv2.convertScaleAbs(scharr_x)
    scharr_y = cv2.convertScaleAbs(scharr_y)
    scharr = cv2.addWeighted(scharr_x, 1, scharr_y, 1, 0)

    cv2.imshow('canny', canny)
    cv2.imshow('sobel', sobel)
    cv2.imshow('laplacian', laplacian)
    cv2.imshow('scharr', scharr)


threshold = 42
kSize = 3

img = cv2.imread("./91_frame.png")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
blur = cv2.GaussianBlur(gray, (5, 5), 0)

cv2.namedWindow('edgeDetect')
cv2.imshow('edgeDetect', img)
cv2.createTrackbar('threshold', 'edgeDetect', threshold, 100, edge_detect)
cv2.createTrackbar('kSize', 'edgeDetect', kSize, 7, edge_detect)

edge_detect(0)
if cv2.waitKey(0) == 27:
    cv2.destroyAllWindows()

羊肉串串魅力无穷

关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
边缘检测

边缘检测算法一般基于图像强度的一阶和二阶导数进行计算，这些导数通常对噪声很敏感，因此在检测前一般会对图像进行平滑去噪，参见图像降噪、图像滤波。文章目录Sobel 算子Scharr 卷积核Laplace 算子Canny 边缘检测检测效果对比Sobel 算子Sobel算子，通过计算图像的一阶倒数进行图像边缘检测。检测步骤：假定输入图像矩阵为 III，卷积核大小为 3×33 \times ...
复制链接

扫一扫