【Python_Opencv图像处理框架】边缘检测、轮廓检测、图像金字塔

写在前面

本篇文章是opencv学习的第四篇文章，主要讲解了边缘及轮廓检测的主要操作，并对两种图像金字塔简单的介绍了一下，作为初学者，我尽己所能，但仍会存在疏漏的地方，希望各位看官不吝指正😍

---

写在中间

一、Canny边缘检测

（ 1 ）简单介绍

Canny边缘检测是一种常用的图像处理算法，它能够在图像中快速准确地识别出物体的边缘。

边缘检测算法步骤：

首先使用高斯滤波器对原始图像进行滤波，用于去除图像中的噪声

然后计算图像的梯度，通过阈值处理以便识别出图像中的边缘

接着使用非极大值抑制，避免假阳性和重复检测。

最后使用双阈值算法进行边缘连接和筛选

---

（ 2 ）操作实现

cv2.Canny(img, 120, 250)

这三个参数是用于Canny边缘检测的阈值参数。其中：

• img是需要进行边缘检测的图像。

• 120是低阈值，用于过滤掉弱边缘。

• 250是高阈值，用于较好地保留强边缘。

在Canny边缘检测中，像素点的灰度值如果大于高阈值，就被认为是强边缘，如果小于低阈值，就被认为是非边缘。如果在两者之间，那么只有与强边缘相连通的像素点才被认为是边缘。通过调整这两个阈值，可以控制检测到的边缘数量和质量。

（ 3 ）代码实现

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

img = cv2.imread("D:\python\Program\pythonProject\photos\\bear.png", 0)

v1 = cv2.Canny(img, 100, 150)
v2 = cv2.Canny(img, 20, 70)

res = np.hstack((v1, v2))  # 拼接

cv2.imshow('result', res)
cv2.waitKey(0)
cv2.destroyAllWindows()

（ 4 ）效果展示

---

二、图像金字塔

（1）简单介绍

图像金字塔是一种特殊的多尺度图像结构，它可以在不同尺度下对图像进行表示，从而实现对图像局部特征的提取。

图像金字塔通常由两个部分组成，即高斯金字塔和拉普拉斯金字塔。

高斯金字塔：可以通过向下采样法得到较小的图片，也可以通过向上采样法得到较大的图片。

   向下采样法（缩小）

   向上采样法（增大）

拉普拉斯金字塔：则是指将两个相邻尺度的高斯金字塔图像相减得到的亮度差异图像。

   低通滤波

   降采样（缩小尺寸）

   内插（放大尺寸）

   带通滤波（图像相减）

（2）操作实现

向下采样法：img_down = cv2.pyrDown(img)

向上采样法：img_up = cv2.pyrUp(img_down)

拉普拉斯：img_laplacian = cv2.subtract(img, img_up)

拉普拉斯采样法就是先将原始图像向下采样，接着向上采样，最后将原始图像减去两次采样的结果。

（ 3 ）代码展示

import cv2
img = cv2.imread("D:\python\Program\pythonProject\photos\\bear.png", 0)

img_down = cv2.pyrDown(img)  # 向下采样
img_up = cv2.pyrUp(img_down)  # 向上采样
img_laplacian = img - img_up  # 拉普拉斯金字塔
cv2.imshow('Original', img)
cv2.imshow('Down', img_down)
cv2.imshow('Up', img_up)
cv2.imshow('Laplacian', img_laplacian)
cv2.waitKey(0)
cv2.destroyAllWindows()

（3）效果展示

原图：

向下采样：

向上采样：

拉普拉斯金字塔：

---

三、轮廓检测

（ 1 ）简单介绍

轮廓检测是指在图像中检测出所有轮廓，并将它们可视化。下面是 OpenCV 中轮廓检测的基本步骤：

1. 读取图像：使用cv2.imshow()函数读取图像。

2. 转换为灰度图像：为了检测出轮廓，需要将图像转换为灰度图像。可以使用 cv2.cvtColor() 函数将图像从 BGR 颜色空间转换为灰度颜色空间。

3. 二值化：使用 cv2.threshold() 函数将灰度图像转换为二值图像。这一步可以将图像中的白色区域和黑色区域分开。

4. 轮廓检测：使用 cv2.findContours() 函数检测出图像中的所有轮廓。这个函数可以返回一个轮廓列表，其中每个轮廓是一个由点组成的数组。

5. 可视化：使用drawContours() 函数将轮廓可视化。这个函数可以将轮廓画在原始图像上，或者将轮廓绘制在其他图像上，以便进一步分析和处理。

（ 2 ）操作实现

轮廓检测：contours, hierarchy = cv2.findContours(img,mode,method)

img：要查找区域的二值图像

mode：几种常用图像模式

cv2.RETR_EXTERNAL：只检测最外层轮廓线。
cv2.RETR_LIST：检测所有轮廓线，但不建立轮廓之间的等级关系。
cv2.RETR_CCOMP：检测所有轮廓线，并建立两层轮廓间的等级关系（外层和内层）。
cv2.RETR_TREE：检测所有轮廓线，并重构轮廓之间的嵌套结构。

method：轮廓逼近方法

cv2.CHAIN_APPROX_NONE：存储所有轮廓点，意味着不存在轮廓线之间的点的冗余。

cv2.CHAIN_APPROX_SIMPLE：仅存储水平、竖直和对角线上的端点，使得轮廓线之间的点更加紧凑。

contours是一个列表，包含了所有找到的轮廓，每个轮廓是一个列表，包含了轮廓的坐标信息（即起点、终点、长度等）

hierarchy是一个字典，包含了每个轮廓的层级关系，即从父节点到子节点的层级关系

轮廓绘制：cv2.drawContours(copy, contours, -1, (0, 0, 255), 1)

参数含义：绘制图像，轮廓，轮廓索引，颜色模式（BGR），线条宽度

（ 3 ）代码实现

# 边缘检测
img = cv2.imread("D:\python\Program\pythonProject\photos\A5.png")

# 转灰度图
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 转二值图
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)  # 二值化操作，像素值大于127的点用225表示，小于阈值使用0表示

# 轮廓检测
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)

# 轮廓绘制
copy = img.copy()
res = cv2.drawContours(copy, contours, -1, (0, 0, 255), 2)

cv2.imshow('Laplacian', res)
cv2.imwrite("D:\python\Program\pythonProject\photos\Figure_12.png", res)
cv2.waitKey(0)
cv2.destroyAllWindows()

（ 4 ）效果展示

---

写在后面

👍🏻 点赞，你的认可是我创作的动力！
⭐ 收藏，你的青睐是我努力的方向！
✏️ 评论，你的意见是我进步的财富！