OpenCV-高通滤波与边缘检测

最新推荐文章于 2024-06-19 20:09:40 发布

萌新程序猿~

最新推荐文章于 2024-06-19 20:09:40 发布

阅读量2.1k

点赞数 68

分类专栏：图像识别与OpenCV 文章标签： opencv 人工智能计算机视觉

本文链接：https://blog.csdn.net/qq_41830158/article/details/136802286

版权

图像识别与OpenCV 专栏收录该内容

10 篇文章 0 订阅

订阅专栏

本文介绍了高通滤波在图像处理中的应用，重点讨论了Sobel、Scharr、Laplacian和Canny边缘检测算子的原理、API示例及特点，强调了它们在边缘强调、噪声抑制和特征提取中的作用。

摘要由CSDN通过智能技术生成

所有相关接口验证demo以上传至仓库

代码地址：https://gitee.com/norep/learn-opencv

高通滤波

与低通滤波器效果相比，高通滤波器相反，它强调高频信号，如图像的细节和边缘，同时抑制低频信号。常见的实现方法包括梯度滤波器、拉普拉斯滤波器和双边滤波器（在某些情况下）。

高通滤波可以增强图像的边缘和细节，使图像看起来更清晰，但也可能放大噪声。

适用于图像锐化、边缘检测和特征提取，特别是在需要突出图像中的重要结构时。

在实际应用中，高通滤波和低通滤波经常结合使用，以达到特定的图像处理目标。例如，可以先用低通滤波器平滑图像以减少噪声，然后用高通滤波器增强边缘，从而在去噪的同时保留重要的视觉特征。

高通滤波器常用于边缘检测

边缘检测通常使用灰度图运算

边缘检测的主要评价标准

低错误率：标识出尽可能多的实际边缘，同时尽可能的减少噪声产生的误报。
高定位性：标识出的边缘要与图像中的实际边缘尽可能接近。
最小响应：图像中的边缘只能标识一次

索贝尔(Sobel)算子

边缘是像素值发生跃迁的位置

sobel算子对图像球一阶导数，一阶导数越大，说明像素在这个方向的变化越大，边缘信号越强。

因为图像是二维的，因此需要沿着宽与高两个方向的卷积核对原图进行处理。

#创建3x3的卷积核，指定卷积核的大小与权重，比如Sober滤波器，用于边缘检测
kernel_x = np.array([[-1, 0, 1], [-2, 0, 2], [-1, 0, 1]], dtype=np.float32)
kernel_y = np.array([[-1, -2, -1], [0, 0, 0], [1, 2, 1]], dtype=np.float32)

这里只做举例，sobel算子有专用的api进行运算，无需手动生成卷积核。

API

dst = cv2.Sobel(src, ddepth, dx, dy, ksize, borderType)

参数说明：

src：一个 NumPy 数组，表示要进行 Sobel 滤波的源图像。这个图像应该是一个灰度图像。
ddepth：一个整数，表示输出图像的深度。这个值通常设置为 -1，表示输出图像的深度与源图像相同。
dx 和 dy：两个整数，分别表示在 x 方向和 y 方向上的差分阶数。通常，dx 和 dy 的值都是 1 或 2。
ksize：一个整数，表示 Sobel 滤波器的尺寸。这个值决定了滤波器的宽度，通常设置为 1、3 或 5。
borderType：(可选参数)一个整数，表示边界类型。常见的边界类型包括 cv2.BORDER_CONSTANT、cv2.BORDER_REPLICATE 等。

返回值：

dst：一个 NumPy 数组，表示 Sobel 滤波处理后的结果图像。

注意：必须分开计算X轴与Y轴

举例

# sobel算子必须分开计算x轴与y轴
# sobel算子计算x轴梯度, 只有垂直方向的边缘
dx = cv2.Sobel(pic1, -1, dx = 1, dy = 0, ksize = 3)
# sobel算子计算y轴梯度, 只有水平方向的边缘
dy = cv2.Sobel(pic1, -1, dx = 0, dy = 1, ksize = 3)
# 合并图像
img = cv2.addWeighted(dx, 0.5, dy, 0.5, 0)

如下结果分别为，原图，x方向边缘，y方向边缘，合并后的图像。
在这里插入图片描述

沙尔(Scharr)

Scharr 滤波器是一种特殊的 Sobel 滤波器，它使用不同的系数来计算 x 方向和 y 方向的梯度。Sharr算子仅使用大小为3的卷积核，运算方法与Sober一样，但版Sober精准。

API

dst = cv2.Scharr(src, ddepth, dx, dy, borderType)

参数说明：

src：一个 NumPy 数组，表示要进行 Scharr 滤波的源图像。这个图像应该是一个灰度图像。
ddepth：一个整数，表示输出图像的深度。这个值通常设置为 -1，表示输出图像的深度与源图像相同。
dx 和 dy：两个整数，分别表示在 x 方向和 y 方向上的差分阶数。通常，dx 和 dy 的值都是 1。
borderType：(可选)，一个整数，表示边界类型。常见的边界类型包括 cv2.BORDER_CONSTANT、cv2.BORDER_REPLICATE 等。

返回值：

dst：一个 NumPy 数组，表示 Scharr 滤波处理后的结果图像。

注意: Sharr算子与Sober算子一样，都需要分开计算X与Y方向。

示例

# Scharr算子必须分开计算x轴与y轴
# Scharr算子计算x轴梯度, 只有垂直方向的边缘
dx = cv2.Scharr(pic1, -1, dx = 1, dy = 0)
# Scharr算子计算y轴梯度, 只有水平方向的边缘
dy = cv2.Scharr(pic1, -1, dx = 0, dy = 1)
# 合并图像
img = cv2.addWeighted(dx, 0.5, dy, 0.5, 0)

如下结果分别为，原图，x方向边缘，y方向边缘，合并后的图像。
在这里插入图片描述

拉普拉斯算子(Laplacian)

拉普拉斯算子是一种二阶导数算子，用于检测图像中的亮度变化，从而找到边缘。

Sober算子模拟了一阶求导，导数越大的地方，说明变换越剧烈，越有可能是边缘
在这里插入图片描述
对上面的一维图像求导，可以得到导数最大的地方就可能是边缘

对上面的一阶导数图像再次求导，可以得知，图像边缘在二阶导数为0的地方。

拉普拉斯算子推导过程

在这里插入图片描述

API

拉普拉斯算子与Sobel和Scharr不同，拉普拉斯算子可以同时计算X方向与Y方向的边缘。

dst = cv2.Laplacian(src, ddepth, ksize=1, scale=1, delta=0, borderType=cv2.BORDER_DEFAULT)
# img = cv2.Laplacian(pic1, -1, ksize=3)

参数说明：

src：一个 NumPy 数组，表示要进行拉普拉斯边缘检测的源图像。这个图像应该是一个灰度图像。
ddepth：一个整数，表示输出图像的深度。这个值通常设置为 -1，表示输出图像的深度与源图像相同。
ksize：一个整数，表示拉普拉斯算子的核大小。通常设置为 1（对数组元素的直接邻居求导数），但也可以设置为更大的值（例如 3 或 5）来平滑结果。
scale：（可选）一个可选的浮点数，用于缩放输出图像。默认值为 1。
delta：（可选）一个可选的浮点数，用于对输出图像的每个像素值添加一个常数。默认值为 0。
borderType：（可选）一个整数，表示边界类型。常见的边界类型包括 cv2.BORDER_CONSTANT、cv2.BORDER_REPLICATE 等。

返回值：

dst：一个 NumPy 数组，表示拉普拉斯边缘检测处理后的结果图像

示例


# 拉普拉斯算子
img = cv2.Laplacian(pic1, -1, ksize=3)

cv2.namedWindow(windowName, cv2.WINDOW_NORMAL)
cv2.resizeWindow(windowName, 500 * 2, 500)
cv2.imshow(windowName, np.hstack((pic1, img)))

在这里插入图片描述

Canny

Canny 边缘检测器是一种流行的边缘检测方法，它通过使用高斯滤波器来平滑图像，然后使用梯度算子来计算图像的梯度，最后通过非极大值抑制（Non-Maximum Suppression）和双阈值检测来确定边缘。

Canny算子的实现边缘检测的一般步骤

去噪

边缘检测容易受到噪声干扰，一般使用高斯滤波去除噪声。

计算梯度

对平滑后的图像使用Sober算子计算梯度和方向
梯度方向一般归为4类，垂直、水平以及两个对角方向。
计算出的结果包含梯度与方向，一般如下图：
在这里插入图片描述

非极大值移植(NMS)

获取梯度与方向后，遍历图像，去除不是边界的点。
实现方法：
逐个遍历像素点，判断当前像素是不是周围具有同方向梯度的最大值，
如下图中，判断点A是否是A、B、C中的局部最大值，如果是，则保留该点，否则他被归零。
在这里插入图片描述

滞后阈值

设置maxVal与minVal

大于macVal的值为边界，小于minVal的像素非边界则抛弃。

处于maxVal与minVal之间的像素，判断是否与边缘相连，如果是则保留，否则抛弃。
在这里插入图片描述

API

edges = cv2.Canny(image, threshold1, threshold2, apertureSize=3, L2gradient=False)

参数说明：

image：一个 NumPy 数组，表示要进行边缘检测的源图像。这个图像应该是一个灰度图像。
threshold1 和 threshold2：两个浮点数，分别表示边缘检测的两个阈值。较低的阈值用于边缘的低强度部分，较高的阈值用于边缘的高强度部分。
apertureSize：一个可选的整数，表示 Sobel 梯度算子的孔径大小。默认值为 3。
L2gradient：一个可选的布尔值，指示是否使用 L2norm 而不是 L1norm 来计算梯度的大小。默认值为 False。

返回值：

edges：一个 NumPy 数组，表示 Canny 边缘检测处理后的结果图像。

示例


# Canny算子
img = cv2.Canny(pic1, 71, 85)
cv2.imshow(windowName, img)

在这里插入图片描述

各滤波算法的特点与作用

算子	特性
索贝尔(Sober)	必须分开计算X轴与Y轴，图像梯度变化不大时，找不出边缘，存在明显误差
沙尔(Scharr)	必须分开计算X轴与Y轴，寻找边缘比Sober更精准，对细小的边缘更敏感。
拉普拉斯(Laplacian)	同时计算X轴与Y轴方向的边缘，效果比Sober和Scharr好，对噪声比较敏感。
Canny	很多人认为是边缘检测的最优算法