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: