算法概述:
主流的边缘检测方法为:Canny边缘检测。
其主要步骤为:
- 对图像进行降噪,常用高斯平滑
- 计算图像的梯度
- 对可能的边缘集合进行非极大值抑制
- 双阈值过滤筛选
算法细节:
图像降噪:
梯度算子可以用于增强图像,本质上是通过增强边缘轮廓来实现的,也就是说是可以检测到边缘的。但是它们容易受噪声的影响。第一步就是想到要先去除噪声,因为噪声就是灰度变化很大的地方,所以容易被识别为伪边缘。去除图像中“我们不感兴趣”的“嘈杂”边缘。
计算图像梯度:
图像的梯度相当于2个相邻像素之间的差值。
计算图像梯度能够得到图像的边缘,因为梯度是灰度变化明显的地方,而边缘也是灰度变化明显的地方。当然这一步只能得到可能的边缘。因为灰度变化的地方可能是边缘,也可能不是边缘。这一步计算了所有可能是边缘的集合。
非极大值抑制:
通常灰度变化的地方都比较集中,灰度变化最大的保留下来,其它的不保留,这样可以剔除掉一大部分的点。将有多个像素宽的边缘变成一个单像素宽的边缘。即“胖边缘”变成“瘦边缘”。
双阈值筛选:
设置双阈值(low,high)
- 当图像的灰度梯度高于high时被认为是真的边缘。
- 那些低于low的边缘会被抛弃。
- 如果介于两者之间的话,如果其领域内有边缘,即这个点与某个被确定为真正的边界点相连,如果是就认为它也是边界点。反之就抛弃。
这样做的目的是只保留强边缘轮廓的话,有些边缘可能不闭合。
代码实现:
import numpy as np
import cv2
image = cv2.imread(r'C:\Users\x\Desktop\za\92.jpg',0)
image = cv2.GaussianBlur(image, (5, 5), 0)
# 由于边缘检测很容易受到噪声影响,所以第一步是使用5x5 的高斯滤波器
# 去除噪声,通过在边缘检测之前应用模糊,我们将帮助去除图像中“我们不感兴趣”的“嘈杂”边缘
canny = cv2.Canny(image, 30, 150)
# cv2.Canny(image, minVal, maxVal)
# 当图像的灰度梯度高于maxVal 时被认为是真的边界,
# 那些低于minVal 的边界会被抛弃。
# 如果介于两者之间的话,就要看这个点是否与某个被确定为真正的边界点相连,如果是就认为它也是边界点,如果不是就抛弃。
cv2.imshow("Blurred", image)
cv2.imshow("Canny", canny)
cv2.waitKey(0)
当然,你也可以自己指定Soble边缘算子求梯度:
import numpy as np
import cv2
image = cv2.imread(r'C:\Users\x\Desktop\za\92.jpg',0)
image = cv2.GaussianBlur(image, (5, 5), 0)
#图像梯度
xgrad = cv2.Sobel(image,cv2.CV_16SC1,1,0)
ygrad = cv2.Sobel(image,cv2.CV_16SC1,0,1)
#计算边缘
#50和150参数必须符合1:3或者1:2
canny = cv2.Canny(xgrad,ygrad,50,150)
cv2.imshow("Blurred", image)
cv2.imshow("Canny", canny)
cv2.waitKey(0)