opencv图像处理之边缘检测

最新推荐文章于 2024-04-29 19:40:56 发布

Han_MingZhi

最新推荐文章于 2024-04-29 19:40:56 发布

阅读量2.8k

点赞数 1

分类专栏： opencv 图像处理文章标签： python 图像处理 opencv

本文链接：https://blog.csdn.net/qq_50620084/article/details/124576231

版权

图像处理同时被 2 个专栏收录

6 篇文章 0 订阅

订阅专栏

opencv

5 篇文章 0 订阅

订阅专栏

边缘检测

1 原理

边缘检测是图像处理和计算机视觉中的基本问题，边缘检测的目的是标识数字图像中亮度变化明显的点。图像属性中的显著变化通常反映了属性的重要事件和变化。

图像边缘检测大幅度地减少了数据量，并且剔除了可以认为不相关的信息，保留了图像重要的结构属性。有许多方法用于边缘检测，它们的绝大部分可以划分为两类:基于搜索和基于零穿越。

基于搜索:通过寻找图像一阶导数中的最大值来检测边界，然后利用计算结果估计边缘的局部方向，通常采用梯度的方向，并利用此方向找到局部梯度模的最大值，代表算法是Sobel算子和Scharr算子。
基于零穿越︰通过寻找图像二阶导数零穿越来寻找边界，代表算法是Laplacian算子。

2 Sobel检测算子

Sobel边缘检测算法比较简单，实际应用中效率比canny边缘检测效率要高，但是边缘不如Canny检测的准确，但是很多实际应用的场合，sobel边缘却是首选，Sobel算子是高斯平滑与微分操作的结合体，所以其抗噪声能力很强，用途较多。尤其是效率要求较高，而对细纹理不太关心的时候。

2.1 方法

对于不连续的函数，一阶导数可以写作：

在这里插入图片描述

假设要处理的图像为I，在两个方向求导：

水平变化：将图像I与奇数大小的模板进行卷积，结果为Gx。
垂直变化：将图像I与奇数大小的模板进行卷积，结果为Gy。

在图像的每一点，结合以上两个结果求出：

在这里插入图片描述

统计极大值所在的位置，就是图像的边缘

2.2 应用

利用OpenCV进行sobel边缘检测的API是：

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

参数：

src：传入的图像
ddepth：图像的深度
dx和dy：指求导的阶数，0表示这个方向上没有求导，取值为0、1
ksize：是sobel算子的大小，即卷积核的大小，必须为奇数，默认为3
- 注意：如果ksize=-1，就演变成为了3×3的scharr算子
scale：缩放导数的比例常数，默认情况为没有伸缩系数
borderType：图像边界的模式，默认值为cv2.BORDER_DEFAULT

Sobel函数求完导数后会有负值，还有会大于255的值。而原图像是uint8，即8位无符号数，所以Sobel建立的图像位数不够，会有截断。因此要使用16位有符号的数据类型，即cv2.CV_16S。处理完图像后，再使用**cv2.convertScaleAbs()**函数将其转回原来的uint8格式，否则图像无法显示。

Sobel算子是在两个方向计算的，最后还需要用**cv2.addWeighted()**函数将其组合起来

Scale_abs = cv2.convertScaleAbs(x) # 格式转换函数
result = cv2.addWeighted(src1,alpha,src2,beta) # 图像混合

示例：

import cv2 as cv
import matplotlib.pyplot as plt
# 1 读取图像
img = cv.imread("../image/yy.jpg",0)
# 2 计算sobel卷积结果
x = cv.Sobel(img,cv.CV_16S,1,0)
y = cv.Sobel(img,cv.CV_16S,0,1)
# 3 将数据进行转换
Scale_absX = cv.convertScaleAbs(x)  # convert 转换  scale 缩放
Scale_absY = cv.convertScaleAbs(y)
# 4 结果合成
result = cv.addWeighted(Scale_absX,0.5,Scale_absY,0.5,0)
# 5 图像显示
plt.figure(figsize=(10,9),dpi=100)
plt.subplot(121),plt.imshow(img,cmap=plt.cm.gray),plt.title('原图')
plt.subplot(122),plt.imshow(result,cmap=plt.cm.gray),plt.title('sobel滤波后结果')
plt.show()

将上述代码中计算sobel算子的部分中将ksize设为-1，就是利用Scharr进行边缘检测

x = cv.Sobel(img,cv.CV_165,1,0,ksize = -1)
y = cv.Sobel(img,cv.CV_165,0,1,ksize = -1)

3 Laplacian算子

Laplacian是利用二阶导数来检测边缘。因为图像是“2维”，我们需要在两个方向求导，如下式所示：

在这里插入图片描述

那不连续函数的二阶导数是

在这里插入图片描述

那使用的卷积核是：

在这里插入图片描述

API:

laplacian = cv2.Laplacian(src,ddepth[, dst[, ksize[, scale[, delta[, borderType]]]]])

参数：

src：需要处理的图像
ddepth：图像的深度，-1表示采用的是原图像相同的深度，目标图像的深度必须大于等于原图像的深度
ksize：算子的大小，即卷积核的大小，必须为1，3，5，7

示例：

import cv2 as cv
import matplotlib.pyplot as plt
# 1 读取图像
img = cv.imread("../image/yy.jpg",0)
# 2 laplacian转换
result = cv.Laplacian(img,cv.CV_16S)
# 3 将数据进行转换
scale_abs = cv.convertScaleAbs(result)   # convert 转换  scale 缩放
# 4 图像显示
plt.figure(figsize=(10,9),dpi=100)
plt.subplot(121),plt.imshow(img,cmap=plt.cm.gray),plt.title('原图')
plt.subplot(122),plt.imshow(result,cmap=plt.cm.gray),plt.title('sobel滤波后结果')
plt.show()