图像处理进阶：图像滤波与边缘检测详解-CSDN博客

本文链接：https://blog.csdn.net/qq_63520660/article/details/145595878

引言

图像滤波与边缘检测是计算机视觉和图像处理领域的核心技术。滤波用于去除噪声、平滑图像或增强特征，而边缘检测能够提取图像中的关键轮廓信息，为后续目标识别、分割等任务奠定基础。本文将详细介绍高斯滤波和Canny边缘检测的原理与实现，并通过Python和OpenCV展示实际应用。

一、图像滤波基础

1.1 什么是图像滤波？

图像滤波是通过在图像上滑动一个滤波器（核），对像素值进行加权计算，实现去噪、平滑或锐化等效果的数学操作。

常见滤波类型：
- 均值滤波：简单平均核内像素值，适用于均匀噪声。
- 中值滤波：取核内像素值的中位数，对椒盐噪声效果显著。
- 高斯滤波：基于高斯函数的加权平均，保留边缘的同时去除高斯噪声。

1.2 高斯滤波原理

高斯滤波利用高斯函数生成权重核，距离中心越近的像素权重越大。其核心公式为：

参数解释：
- σσ（标准差）：控制滤波器的平滑程度，值越大图像越模糊。
- 核大小：通常为奇数（如3×3、5×5），核尺寸越大，平滑效果越强。

高斯滤波的特点：

有效去除高斯噪声。
平滑图像的同时保留边缘信息。

二、边缘检测基础

2.1 什么是边缘检测？

边缘是图像中像素值剧烈变化的位置，通常对应物体的轮廓。边缘检测的目标是标识这些区域。

2.2 Canny边缘检测算法

Canny算法是边缘检测的黄金标准，包含以下步骤：

高斯滤波去噪：先用高斯滤波平滑图像，减少噪声干扰。
计算梯度幅值和方向：使用Sobel算子计算水平和垂直方向的梯度（GxGx和GyGy）：
非极大值抑制（NMS）：保留梯度方向上的局部最大值，细化边缘。
双阈值检测：
- 高阈值：高于此值的像素视为强边缘。
- 低阈值：低于此值的像素被抑制，介于两者之间的像素若与强边缘连接则保留。

三、用OpenCV实现滤波与边缘检测

3.1 环境准备

安装OpenCV库：

pip install opencv-python

3.2 代码实现

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 读取图像并转为灰度图
image = cv2.imread('sample.jpg')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 添加高斯噪声（模拟真实场景）
noise = np.random.normal(0, 25, gray.shape).astype(np.uint8)
noisy_image = cv2.add(gray, noise)

# 高斯滤波去噪
blurred = cv2.GaussianBlur(noisy_image, (5, 5), sigmaX=1.5)

# Canny边缘检测
edges = cv2.Canny(blurred, threshold1=50, threshold2=150)

# 显示结果
plt.figure(figsize=(12, 8))

plt.subplot(221), plt.imshow(gray, cmap='gray')
plt.title('Original Image'), plt.axis('off')

plt.subplot(222), plt.imshow(noisy_image, cmap='gray')
plt.title('Noisy Image'), plt.axis('off')

plt.subplot(223), plt.imshow(blurred, cmap='gray')
plt.title('Gaussian Blurred'), plt.axis('off')

plt.subplot(224), plt.imshow(edges, cmap='gray')
plt.title('Canny Edges'), plt.axis('off')

plt.show()

3.3 代码解析

高斯滤波：
- cv2.GaussianBlur(src, ksize, sigmaX)
  - ksize：核大小（如(5,5)）。
  - sigmaX：X方向的标准差，控制模糊程度。
Canny边缘检测：
- cv2.Canny(image, threshold1, threshold2)
  - threshold1：低阈值，通常为高阈值的1/3~1/2。
  - threshold2：高阈值，建议设置为低阈值的2~3倍。