python-opencv 边缘检测、直线检测、圆检测

文章目录

• • Canny算法
  • 霍夫变换-直线检测
  • 霍夫变换-圆形检测

Canny算法

除了将目标与背景分离开来，边缘检测也同样是一种图像分割方法，从分割结果来看，adaptiveThreshold函数显然就采取了类似边缘检测的划分方案。

Canny在1986年提出了一种边缘检测算法，因其卓越的性能和准确性而广泛应用于各种图像分析领域。opencv中提供了这种算法，其操作步骤如下

1. 高斯滤波：采用$5\times 5$的高斯滤波，对图像进行平滑，以降低灰度波动，使边缘更加明显。
2. 梯度计算：用Sobel核函数对图像滤波，得到两个方向的一阶导数$Gx,Gy$，从而得到图像的梯度$Gx2+Gy2$以及辐角$tan-1GxGy$
3. 非极大值抑制：即抑制那些不是局部最大值的梯度值，即一个像素点，只有其梯度幅度大于周围像素点时，才被认为是边缘点。
4. 双阈值处理：通过高阈值$t2$和低阈值$t1$来进一步判断边缘，某点若梯度幅度大于$t2$，则被认为是边缘点；若处于$t2$和$t1$之间，则被认为是潜在的边缘点。
5. 边缘跟踪和连接：最后，算法跟踪由边缘像素点组成的线，并连接它们以形成完整的边缘。

令$t1=100,t2=200$，则Canny算法的边缘检测结果如下

实现代码如下。

imgs = {}
imgs['Original'] = ascent().astype(np.uint8)
imgs['edges'] = cv2.Canny(img,100,200)

for i,key in enumerate(imgs, 1):
plt.subplot(1,2,i)
plt.imshow(imgs[key],cmap = ‘gray’)
plt.title(key)
plt.axis(‘off’)

plt.show()

【Canny】即为Canny边缘检测函数，其输入参数分别是待检测图像和阈值$t1,t2$。

霍夫变换-直线检测

在获取图像边缘后，可能会对边缘的形状产生兴趣。1962年，Hough提出一种直线和圆的识别方案，思路是将图像中的点映射到一个参数空间，这个空间中涵盖了某个几何形状的所有参数，这个变换便被称作霍夫变换（Hough Transform, HT）。

Python中提供了基于HT的直线检测函数，可实现如下效果。

代码为

img = ascent().astype(np.uint8)
m, n = img.shape

edges = cv2.Canny(img, 50, 150, apertureSize = 3)
lines = cv2.HoughLines(edges,1.1,np.pi/180,200)

【HoughLines】就是HT直线检测函数，其输入的四个参数分别是待检测图像、以像素为单位的距离精度$pr$、以弧度为单位的角度精度$p\theta$以及累加平面的阈值参数。$pr,p\theta$这两个值设得越大，则会检查出越多的直线。

其检测检测结果由$(\rho ,\theta )$来表示，其中$\rho$表示直线与坐标原点$(0,0)$的距离，$\theta$是直线的垂线与$x$轴的夹角。从而直线方程可表示为点法式

$$xcos\theta +ysin\theta -\rho =0$$

对于尺寸为$m$行$x=0,x=n,y=0,y=m$，记$c=cos\theta ,s=sin\theta$，则直线与四个边框的交点分别为

(0,ρs)(ρc,0)(n,ρ−ncs)(ρ−msc,m)

(0,sρ​)(cρ​,0)​(n,sρ−nc​)(cρ−ms​,m)​

从而绘图代码如下

fig, ax = plt.subplots(1,2)

ax[0].imshow(img, cmap=‘gray’)
for line in lines:
rho,theta = line[0]
c = np.cos(theta)
s = np.sin(theta)
xs = [0, n, rho/c, (rho-ms)/c]
ys = [rho/s, (rho-nc)/s, 0, m]
i1, i2 = np.argsort(xs)[1:3]
ax[0].plot([xs[i1], xs[i2]], [ys[i1], ys[i2]], ls=‘–’)
ax[1].plot([xs[i1], xs[i2]], [ys[i1], ys[i2]], ls=‘–’)

plt.grid()
plt.show()

霍夫变换-圆形检测

opencv中提供了基于霍夫变换的圆形检测方法，可实现下图所示的检测结果。

其实现代码如下。

path = 'coins.png'

coins = { }
img = cv2.imread(path, cv2.IMREAD_COLOR)
gray = cv2.cv2tColor(img, cv2.COLOR_BGR2GRAY)

coins[‘gray’] = cv2.medianBlur(gray, 25)
coins[‘edge’] = cv2.Canny(coins[‘gray’],100,200)

rows = gray.shape[0]
circles = cv2.HoughCircles(coins[‘gray’], cv2.HOUGH_GRADIENT,
1, 150, param1=100, param2=30,
minRadius=1, maxRadius=300)

【HoughCircles】是opencv提供的基于霍夫变换的圆形检测工具。

函数参数说明：

• image: 待检测灰度图像。
• method: 检测圆的方法。
• dp: 霍夫变换的分辨率，值越大，检测的圆越少，但越准确。
• minDist: 圆心之间的最小距离。
• param1: 边缘检测时使用Canny算子的高阈值，低阈值是高阈值的一半。
• param2: 用于圆心检测的参数。
• minRadius, maxRadius: 圆半径的最小值和最大值。

其中，opencv通提供了四种检测圆的方法，其method参数可选值如下

• 【cv2.HOUGH_GRADIENT】霍夫梯度法，通过计算图像中的梯度来确定圆心的可能位置，然后对这些位置进行投票，以确定真实的圆心。这种方法的问题是对噪声敏感。
• 【cv2.HOUGH_GRADIENT_ALT】霍夫梯度法的另一种实现。
• 【cv2.HOUGH_PROBABILISTIC】概率霍夫变换，与霍夫梯度法的区别是，并不通过全局投票来确定圆心，而检查一些候选点是否符合圆的方程，它通常会产生较少的假阳性结果，但可能检测不到某些圆。
• 【cv2.HOUGH_MULTI_SCALE】多尺度霍夫变换，将在不同尺度上应用霍夫变换，对缩放、旋转和倾斜变化具有更好的鲁棒性。和其他方法相比，该方法可能会检测到更多的圆，但也更吃计算资源。

绘图代码如下。

coins['circles'] = img
for i,key in enumerate(coins,1):
    ax = plt.subplot(1,3,i)
    plt.title(key)
    plt.imshow(coins[key])
    plt.axis('off')

th = np.deg2rad(np.arange(361))
for x,y,r in circles[0]:
xs = x + rnp.cos(th)
ys = y + rnp.sin(th)
plt.scatter(x, y, marker=‘*’, color=‘red’)
plt.plot(xs, ys, color=‘red’)

plt.show()