Opencv——边缘检测（Canny、金字塔）

Canny边缘检测：

• 1) 使用高斯滤波器，以平滑图像，滤除噪声。

• 2) 计算图像中每个像素点的梯度强度和方向。

• 3) 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。

• 4) 应用双阈值（Double-Threshold）检测来确定真实的和潜在的边缘。

• 5) 通过抑制孤立的弱边缘最终完成边缘检测。

• 

  梯度方向：

3：非极大值抑制

 

4：双阈值检测

 

img=cv2.imread("miku.png",cv2.IMREAD_GRAYSCALE)

v1=cv2.Canny(img,80,150)
v2=cv2.Canny(img,50,100)

res = np.hstack((v1,v2))
cv_show(res,'res')

img=cv2.imread("car.png",cv2.IMREAD_GRAYSCALE)

v1=cv2.Canny(img,120,250)
v2=cv2.Canny(img,50,100)

res = np.hstack((v1,v2))
cv_show(res,'res')

 符合梯度值范围的将被保存，否则舍弃，范围合适细节越多，上下界越低，更多的像素将被认为是边界，因此边缘越多。指定越高，要求越高，指定越低，要求越低。

 

 

图像金字塔：

图像金字塔是图像一种多尺度的表达，一幅图像的金字塔是一系列图像以金字塔的形状排列，并且分辨率逐级降低，这些低分辨率的图像都是经过图像向下采样得到的。图像所在的层越高，则图像分辨率越低。如下图，level 4的分辨率最低，并且Level 1.....Level4都是Level0经过逐级下采样得到的图像。

 

对图像向下采样：pyrDown函数           （层级越低，则图像越小，分辨率越低。）

对图像向上采样：pyrUp函数                （层级越高，则图像越小，分辨率越低。）

向下采样：原图像在下面，新图像在上面，新图像是基于原图像采样，即向下采样。 

向上采样：原图像在上面， 新图像在下面，新图像是基于原图像采样，即向上采样。

 

pyrDown( )函数：向下取样，缩小图像，上层图像更模糊 。

在图像向下取样中，一般分两步：

（1）对图像Gi进行高斯卷积核（高斯滤波）；

（2）删除所有的偶数行和列。

向下取样后，原始图像  具有 MN 个像素，进行向下取样之后，所得到的图像 +1 具有 M/2  N/2 个像素，只有原图的四分之一。通过对输入的原始图像不停迭代以上步骤就会得到整个金字塔。

 

 既然向下取样时缩小，向上取样是扩张，那一张一缩是不是回到了图片最初的样子呢？

其实不然，因为向下取样时候，删去了偶行偶列元素，像素点丢失，图片会模糊。

 

img=cv2.imread("dace.png")
cv_show(img,'img')
print (img.shape)

向上取样，扩大
up=cv2.pyrUp(img)
cv_show(up,'up')
print (up.shape)
向下取样，缩小
down=cv2.pyrDown(img)
cv_show(down,'down')
print (down.shape)

拉普拉斯金字塔：