python图像边缘检测_OpenCV3-Python边缘检测详细介绍

OpenCV提供许多边缘检测滤波函数，包括Laplacian()、Sobel()以及Scharr()，这些滤波函数都会将非边缘区域转为黑色，将边缘区域转为白色或其它饱和颜色，但是这些函数很容易将噪声识别为边缘。缓解这个问题的方法就是边缘检测之前，对图像进行模糊处理。

OpenCV提供了很多模糊滤波函数，包括blur()(简单算术平均)、medianBlur()(中值滤波)以及GaussianBlur()(高斯滤波)等。尽管边缘检测滤波函数和模糊滤波函数的参数由很多，但总会有一个ksize参数，它是一个奇数，表示滤波核的宽和高(以像素为单位)。

(1) 中值滤波器:

中值滤波对消除椒盐噪声非常有效，能够克服线性滤波器带来的图像细节模糊等弊端，能够有效保护图像边缘信息，是非常经典的平滑噪声处理方法。在光学测量条纹图像的香味分析处理方法中有特殊作用，但在条纹中心分析方法中作用不大。

(2) Laplacian边缘检测函数

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

前两个是必须的参数：

第一个参数是需要处理的图像；

第二个参数是图像的深度，-1表示采用的是与原图像相同的深度。目标图像的深度必须大于等于原图像的深度；

其后是可选的参数：

dst不用解释了；

ksize是算子的大小，必须为1、3、5、7。默认为1。

scale是缩放导数的比例常数，默认情况下没有伸缩系数；

delta是一个可选的增量，将会加到最终的dst中，同样，默认情况下没有额外的值加到dst中；

borderType是判断图像边界的模式。这个参数默认值为cv2.BORDER_DEFAULT。

应用举例：

main.py 内容：def strokeEdges(src,blurKsize=7, edgeKsize=5):

if blurKsize >= 3:

#中值滤波

blurredSrc = cv2.medianBlur(src, blurKsize)

#转换为彩色图像转换为灰度图像

graySrc = cv2.cvtColor(blurredSrc, cv2.COLOR_BGR2GRAY)

else:

graySrc = cv2.cvtColor(src, cv2.COLOR_BGR2GRAY)

#Laplacian边缘检测函数

cv2.Laplacian(graySrc, cv2.CV_8U, graySrc, ksize = edgeKsize)

#在得到Laplacian()函数的结果后，需要将其转换成黑色边缘和白色背景的图像。然后

#将其归一化(使像素值在0-1之间)，并乘以源图像以便将边缘变黑。

normalizedInverseAlpha = (1.0/255)*(255-graySrc)

#拆分通道为单通道，获取各个通道的灰度值

channels = cv2.split(src)

for channel in channels:

channel[:] = channel * normalizedInverseAlpha

#合并单通道为多通道

dst = cv2.merge(channels)

return graySrc,dst

img = cv2.imread("./00.png")

lapsrc,result = strokeEdges(img)

cv2.imshow("img",img)

cv2.imshow("lapsrc",lapsrc)

cv2.imshow("result",result)

cv2.waitKey()

cv2.destroyAllWindows()

运行结果：

(3) 定制内核做卷积

OpenCV预定义的许多滤波器(滤波函数)都会使用核。核即是一组权重，它决定如何通过邻近像素点来计算新的像素点。核也称为卷积矩阵，它对一个区域的像素做调和(mix up)或卷积运算。

通常基于核的滤波器(滤波函数)被称为卷积滤波器(滤波函数)，卷积矩阵是一个二维数组，有奇数行、奇数列，中心元素对应于感兴趣的像素。

如：kernel = numpy.array([[-1, -1, -1],

[-1, 9, -1],

[-1, -1, -1]])

感兴趣的像素权重为9，其邻近像素权重为-1。对于感兴趣的像素来说，新像素值是用当前像素值乘以9.然后减去8个邻近像素值。

应用举例：

filters.py 内容：#!/usr/bin/env python3

# -*- coding: utf-8 -*-

"""

Created on Sat Apr 7 22:58:11 2018

@author: lu

"""

import cv2

import numpy

#一般的卷积滤波器

class VConvolutionFilter(object):

def __init__(self, kernel):

self._kernel = kernel

def apply(self, src):

dst = cv2.filter2D(src, -1, self._kernel)

return dst

#特定锐化滤波器,权重和为1

class SharpenFilter(VConvolutionFilter):

def __init__(self):

kernel = numpy.array([[-1, -1, -1],

[-1, 9, -1],

[-1, -1, -1]])

VConvolutionFilter.__init__(self, kernel)

#边缘检测核,把边缘转化为白色，非边缘转为黑色，权重和为0

class FindEdgesFilter(VConvolutionFilter):

def __init__(self):

kernel = numpy.array([[-1, -1, -1],

[-1, 8, -1],

[-1, -1, -1]])

VConvolutionFilter.__init__(self, kernel)

#模拟滤波器，通常权重应该为1，而且邻近像素权重为正

class BlurFilter(VConvolutionFilter):

def __init__(self):

kernel = numpy.array([[0.04, 0.04, 0.04, 0.04, 0.04],

[0.04, 0.04, 0.04, 0.04, 0.04],

[0.04, 0.04, 0.04, 0.04, 0.04],

[0.04, 0.04, 0.04, 0.04, 0.04],

[0.04, 0.04, 0.04, 0.04, 0.04]])

VConvolutionFilter.__init__(self, kernel)

#同时具有模糊(正的权重)和锐化(负的权重)，产生一种脊状或浮雕的效果

class EmbossFilter(VConvolutionFilter):

def __init__(self):

kernel = numpy.array([[-2, -1, 0],

[-1, 1, 1],

[ 0, 1, 2]])

VConvolutionFilter.__init__(self, kernel)

main.py 内容：import matplotlib.pyplot as plt

import cv2

import filters

#读取图像

img = cv2.imread("./00.png")

#特定锐化滤波器

filt = filters.SharpenFilter()

result1 = filt.apply(img)

#边缘检测滤波器

filt = filters.FindEdgesFilter()

result2 = filt.apply(img)

#模拟滤波器

filt = filters.BlurFilter()

result3 = filt.apply(img)

#模糊+锐化滤波器

filt = filters.EmbossFilter()

result4 = filt.apply(img)

plt.figure(figsize=(10,10)) #参数figsize设置画布大小

plt.subplot(221)

plt.title('SharpenFilter')

plt.imshow(result1)

plt.subplot(222)

plt.title('FindEdgesFilter')

plt.imshow(result2)

plt.subplot(223)

plt.title('BlurFilter')

plt.imshow(result3)

plt.subplot(224)

plt.title('EmbossFilter')

plt.imshow(result4)

plt.show()

运行结果：

(4) Canny边缘检测

OpenCV中提供了非常方便的边缘检测函数Canny，直接调用即可，近一步详细介绍访问这里。

cv2.Canny(image, threshold1, threshold2[, edges[, apertureSize[, L2gradient ]]])

必要参数：

第一个参数是需要处理的原图像，该图像必须为单通道的灰度图；

第三个参数是阈值2，一般用来检测图像中明显的边缘，但一般会出现断断续续的状况，需要结合调整第二个参数阈值1来将一些间断的边缘连接起来。

应用举例：

main.py 内容：img = cv2.imread("./00.png",0)

result = cv2.Canny(img, 200, 300)

cv2.imshow("Original",img)

cv2.imshow("Canny",result)

cv2.waitKey()

cv2.destroyAllWindows()

运行结果：

参考：

注意：本站所有文章除特别说明外，均为原创，转载请务必以超链接方式并注明作者出处。