Python-Opencv学习总结（七）：Canny边缘检测、图像金字塔、图像轮廓

最新推荐文章于 2023-09-11 09:08:54 发布

左小田^O^

最新推荐文章于 2023-09-11 09:08:54 发布

阅读量1.2k

点赞数 1

分类专栏： openCV学习

本文链接：https://blog.csdn.net/qq_45802081/article/details/110845816

版权

Canny边缘检测图像金字塔高斯滤波轮廓提取 OpenCV

关键词由CSDN通过智能技术生成

openCV学习专栏收录该内容

20 篇文章 14 订阅

订阅专栏

1、Canny边缘检测

一般步骤：
1.去噪：通常采用高斯滤波器去除噪声。
2.梯度：对平滑后的图像采用sobel算子计算梯度和方向。
方向计算：角度=tan^-1(垂直梯度\水平梯度)
梯度的方向一般总是与边界垂直。
梯度方向被归为四类:垂直,水平,和两个对角线。
3.非极大值抑制：在获得了梯度和方向后，遍历图像，去除所有不是边界的点。
实现方法:逐个遍历像素点，判断当前像素点是否是周围像素点中具有相同方向梯度的最大值。
保留相同方向的最大值被保留
4.滞后阈值：滞后阈值1：minVal，滞后阈值2：maxVal
如下图
在这里插入图片描述
如上图：
1.梯度值大于最大阈值，保留，如A
2.梯度值小于最小阈值，舍弃，如D
3.maxVal>梯度值> minVal，与边界相连，保留，如C；与边界不相连，抛弃，如B。
Canny边缘检测函数及使用
函数：

edges = cv2.Canny( image, threshold1, threshold2 )
edges：处理后的边界图像
image：原始图像
threshold1：阈值1，minVal
threshold2：阈值2，maxVal
阈值越小，得到的边界信息越多，反之一样。
调整阈值，可 以控制边缘细节。
maxVal、minVal变小，有更多的细节信息。


import cv2
import numpy as np
o=cv2.imread(r'D:\image\lena.bmp',cv2.IMREAD_UNCHANGED)
r=cv2.Canny(o,100,200)
r1=cv2.Canny(o,64,128)
r2=cv2.Canny(o,30,80)  #阈值越小，轮廓越多
cv2.imshow('o',o)
cv2.imshow('r',r)
cv2.imshow('r1',r1)
cv2.imshow('r2',r2)
cv2.waitKey()
cv2.destroyAllWindows()

2、图像金字塔

金字塔的底部是待处理图像的高分辨率的表示，而顶部是低分辨率的表示当金字塔向上层移动的时候，尺寸和分辨率都会降低。
假设基础级（也就是最底层）的尺寸为 2J×2J
金字塔中间任意一级j的尺寸大小为：2j×2j ，所以说，一个完整的图像金字塔可以由J+1个分辨率集所组成。
在这里插入图片描述
构造金字塔的过程

拿到第j级的图像后，先通过一个低通滤波，这个滤波可以选取任何一个低通滤波。比如理想低通，巴特沃斯，高斯低通。然后在进行以2为步长的下采样。就得到了j-1级的近似图像。一次循环，等到顶层。
高斯金字塔：开始时选取高斯低通滤波器，生成图像金字塔。
高斯低通滤波器：
在这里插入图片描述
D(u,v)表示的是(u,v)距离傅里叶变换原点的距离。
高斯滤波器宽度(决定着平滑程度)是由参数σ表征的，而且σ和平滑程度的关系是非常简单的。σ越大，高斯滤波器的频带就越宽，平滑程度就越好。
高斯金字塔：
第一步的滤波必须选用高斯低通滤波器。
通过使用不同的σ来调节滤波器的频带宽度，得到经过不同滤波器同尺寸的同一组octave。
其中的每个octave可以看做是一组图像，这一组图像中的所有图像的分辨率相同，但是采用了不同频带的高斯滤波函数，从模糊的程度上看是有区别的。不同组(octave)之间的图像具有不同的分辨率，在尺度上的差别就更大了。
在这里插入图片描述
拉普拉斯金字塔：
拉普拉斯金字塔可以认为是残差金字塔，用来存储下采样后图片与原始图片的差异。

如果高斯金字塔中任意一张图G，先进行下采样得到图Down(G)，再进行上采样得到图Up(Down(G))，得到的Up(Down(G))与Gi是存在差异的，因为下采样过程丢失的信息不能通过上采样来完全恢复，也就是说下采样是不可逆的。
原始图片下采样后得到的小尺寸图片虽然保留了视觉效果，但是将该小尺寸图像再次上采样也不能完整的恢复出原始图像。为了能够从下采样图像Down(G)中还原原始图像G，我们需要记录再次上采样得到Up(Down(G))与原始图片G之间的差异，这就是拉普拉斯金字塔的核心思想。
总结:
图像金字塔：同一图像的不同分辨率的子图集合
生成金字塔方式：
向下取样：不是方位的向下，而是分辨率从高到底，进行取样，缩小4倍
向上取样：不是方位的向上，而是分辨率从低到高，进行取样，放大4倍
在这里插入图片描述
向下取样：缩小图像，不断获取低分辨率图像
从第i层获取第i+1层 Gi到Gi+1
1.对图像Gi进行高斯核卷积。
2.删除所有的偶数行和列。

Octave：原始图像MN ——处理结果M/2 N/2；每次处理后，结果图像是原来的1/4.
重复Octave，边构造了图像金字塔

向上取样：放大图像，不断获取高分辨率图像
1.在每个方向上扩大为原来的2倍，新增的行和列以0填充。原来两行两列会变成四行四列。
2.使用与“向下采用”同样的卷积核乘以4,获取“新增像素”的新值。
向上采样、向下采样不是互逆操作。会变模糊
经过两种操作后，无法恢复原有图像。

向下取样函数及使用(pyrDown函数)

dst=cv2.pyrDown(src)
dst：向下取样结果
src:原始图像
r=cv2.pyrDown(0)

可进行多次向下取样
r1=cv2.pyrDown(o)
r2=cv2.pyrDown(r1)
r3=cv2.pyrDown(r2)```

**向上取样函数及使用（pyrUp函数**

```python
dst=cv2.pyrUp(srC)
dst：向上取样结果
src：原始图像
r=cv2.pyrUp(0)

可进行多次向上取样
r1=cv2.pyrUp(o)
r2=cv2.pyrUp(r1)
r3=cv2.pyrUp(r2)

向下取样与向上取样的可逆性研究
可逆性：能不能恢复
原始图像——向下取样——向上取样——结果能不能恢复原图像

先向下，再向上
down=cv2.pyrDown(o)
up=cv2.pyrUp(down)
清晰度会降低，采样过程中信息会丢失

先向上，在向下
up=cv2.pyrUp(o)
down=cv2.pyrDown(up)
依旧有差距
拉普拉斯金字塔

Li= Gi- PyrUp(PyrDown(Gi)) 
Gi:原始图像
Li:拉普拉斯金字塔图像

在这里插入图片描述
如上图：
拉普拉斯金字塔0层=原始图像O-向下采用1次再向上采样1次的Odu
拉普拉斯金字塔1层=向下采样1次的Od-向下采样2次再向上采样1次的O2du

o=cv2.imread("image\\lena.bmp")
od=cv2.pyrDown(0)
odu=cv2.pyrUp(od)
lapPyr=o-odu
o1=od
o1d=cv2.pyrDown(o1)
o1du=cv2.pyrUp(o1d)
lapPyr1=o1-o1du

3、图像轮廓

图像轮廓：将没有连接在一起的边缘连接在一起，边缘检测不等于图像轮廓。
边缘检测能够测出边缘，但是边缘是不连续的。将边缘连接为一个整体，构成轮廓。

注意问题
注意问题：
1.对象必须是二值图像。所以需要预先进行阈值分割或者边缘检测处理。将彩色或灰度图像调为二值图像
2.查找轮廓需要更改原始图像。因此，通常使用原始图像的一份拷贝操作。
3.在OpenCV中，是从黑色背景中查找白色对象。因此，对象必须是白色的，背景必须是黑色的。
如遇到白色背景，要进行处理。
函数
cv2.findContours( )：查找图像轮廓，返回一个变量
cv2.drawContours( )：将查找到的轮廓绘制到图像上

cv2.findContours( )  
contours, hierarchy = cv2.findContours( image, mode, method)
image：原始图像
contours：轮廓                              mode：轮廓检索模式
hierarchy：图像的拓扑信息(轮廓层次)         method：轮廓的近似方法

mode：轮廓检索模式
cv2.RETR_EXTERNAL：表示只检测外轮廓
cv2.RETR_LIST：检测的轮廓不建立等级关系
cv2.RETR_CCOMP:建立两个等级的轮廓，上面的一层为外边界，里面的一层为内孔的边界信息。
    如果内孔内还有一个连通物体，这个物体的边界也在顶层。
CV2.RETR_TREE:建立一个等级树结构的轮廓。（一般使用这个模式）

method：轮廓的近似方法(一般使用前两种)
cv2.CHAIN_APPROX_NONE : 存储所有的轮廓点，相邻的两个点的像素位置差不超过1,
    即max (abs (x1-x2) ，abs (y2-y1) ) ==1
cv2.CHAIN_APPROX_SIMPLE:压缩水平方向，垂直方向，对角线方向的元素,
    只保留该方向的终点坐标，例如一个矩形轮廓只需4个点来保存轮廓信息
cv2.CHAIN_APPROX_TC89_L1:使用teh-Chinl chain近似算法
cv2.CHAIN_APPROX_TC89_KCOS:使用teh-Chinl chain近似算法

cv2.drawContours( )
r=cv2.drawContours(o,contours,contourldx,color，[thickness])
r：目标图像，直接修改目标的像素点,实现绘制。
o:原始图像
contours:需要绘制的边缘数组。
contourldx:需要绘制的边缘索引，如果全部绘制则为-1。
color:绘制的颜色，为BGR格式的Scalar。
thickness:可选，绘制的密度，即描绘轮廓时所用的画笔粗细。```

```python
import cv2
o=cv2.imread(r'D:\image\content.png')
#转换成灰度图像
gray=cv2.cvtColor(o,cv2.COLOR_BGR2GRAY)
#将灰度转换成二值图像
ret,binary=cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
#查找轮廓
contours,hierarchy=cv2.findContours(binary,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
#绘制轮廓，改变了原图像
#r=cv2.drawContours(o,contours,-1,(2,255,0),6)  #修改第三个参数可以指定绘制图像中的一个图像轮廓，把-1改成5，便只绘制圆

#绘制轮廓，不改变原始图像
co=o.copy()  #将原始图像复制一份，则绘制的时候便是绘制在复制的轮廓上
r=cv2.drawContours(co,contours,-1,(255,0,0),2)   #第四个参数修改颜色，（0,255,0）是绿色，（255,0,0）蓝色，（0,0,255）红色
#第五个参数是修改轮廓大小，
cv2.imshow('o',o)
cv2.imshow('r',r)
cv2.waitKey()
cv2.destroyAllWindows()