04图像梯度计算、05边缘检测

目录

4.1Sobel算子

4.1.1负数——0

4.1.2负数——绝对值

1.左右相减

2.上下相减

3.求和

4.1.3lean图片进行比较

1.分别进行计算

2.一起计算

4.2Scharr和Laplacian算子

4.2.1Scharr算子

4.2.2Laplacian算子

4.2.3对比

4.3边缘检测

Canny边缘检测

4.3.1高斯滤波器

4.3.2梯度和方向

4.3.3非极大值抑制

4.3.4双阈值检测

---

import cv2

img = cv2.imread('pie.png', cv2.IMREAD_GRAYSCALE)
cv2.imshow("img", img)
cv2.waitKey()
cv2.destroyAllWindows()


# 显示图像函数
def cv_show(img, name):
    cv2.imshow(name, img)
    cv2.waitKey()
    cv2.destroyAllWindows()

---

 

 

4.1Sobel算子

颜色差别越大，梯度越高

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

• ddepth:图像的深度
• dx和dy分别表示水平和竖直方向
• ksize是Sobel算子的大小

4.1.1负数——0

# Sobel算子——x轴
sobel_x = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=3)  # 计算水平的
cv_show(sobel_x, 'sobel_x')

左边白，右边黑的原因：

梯度计算都是右边-左边

（白-黑）>0------白

（黑-白）<0------黑

4.1.2负数——绝对值

白到黑是正数，黑到白就是负数了，所有的负数会被截断成0，所以要取绝对值

1.左右相减

sobel_x = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=3)
sobel_x = cv2.convertScaleAbs(sobel_x)  # 取绝对值
cv_show(sobel_x, 'sobel_x')

2.上下相减

sobel_y = cv2.Sobel(img, cv2.CV_64F, 0, 1, ksize=3)
sobel_y = cv2.convertScaleAbs(sobel_y)  # 取绝对值
cv_show(sobel_y, 'sobel_y')

区别在于：sobel_y = cv2.Sobel(img, cv2.CV_64F, 0, 1, ksize=3)

3.求和

建议：分别计算x,y之后再求和

或者

sobel_xy = cv2.addWeighted(sobel_x, 0.5, sobel_y, 0.5, 0)  # 按权重计算
cv_show(sobel_xy, 'sobel_xy')

有一点点白线

不建议：直接计算

sobel_xy = cv2.Sobel(img, cv2.CV_64F, 1, 1, ksize=3)
sobel_xy = cv2.convertScaleAbs(sobel_xy)
cv_show(sobel_xy, 'sobel_xy')

有重影，模糊

4.1.3lean图片进行比较

1.分别进行计算

sobel_x = cv2.Sobel(img2, cv2.CV_64F, 1, 0, ksize=3)
sobel_x = cv2.convertScaleAbs(sobel_x)
sobel_y = cv2.Sobel(img2, cv2.CV_64F, 0, 1, ksize=3)
sobel_y = cv2.convertScaleAbs(sobel_y)
sobel_xy = cv2.addWeighted(sobel_x, 0.5, sobel_y, 0.5, 0)
cv_show(sobel_xy, 'sobel_xy')

2.一起计算

sobel_xy=cv2.Sobel(img2,cv2.CV_64F,1,1,ksize=3)
sobel_y=cv2.convertScaleAbs(sobel_xy)
cv_show(sobel_xy,'sobel_xy')

一起计算不清楚，模糊

4.2Scharr和Laplacian算子

4.2.1Scharr算子

更敏感 

4.2.2Laplacian算子

对噪音点更敏感

4.2.3对比

import cv2
import numpy as np

# 不同算子的差异
img = cv2.imread('lena.jpg', cv2.IMREAD_GRAYSCALE)
sobel_x = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=3)
sobel_y = cv2.Sobel(img, cv2.CV_64F, 0, 1, ksize=3)
sobel_x = cv2.convertScaleAbs(sobel_x)
sobel_y = cv2.convertScaleAbs(sobel_y)
sobel_xy = cv2.addWeighted(sobel_x, 0.5, sobel_y, 0.5, 0)

scharr_x = cv2.Scharr(img, cv2.CV_64F, 1, 0)
scharr_y = cv2.Scharr(img, cv2.CV_64F, 0, 1)
scharr_x = cv2.convertScaleAbs(scharr_x)
scharr_y = cv2.convertScaleAbs(scharr_y)
scharr_xy = cv2.addWeighted(scharr_x, 0.5, scharr_y, 0.5, 0)

laplacian = cv2.Laplacian(img, cv2.CV_64F)
laplacian = cv2.convertScaleAbs(laplacian)

res = np.hstack((img,sobel_xy, scharr_xy, laplacian))


# 显示图像函数
def cv_show(img, name):
    cv2.imshow(name, img)
    cv2.waitKey()
    cv2.destroyAllWindows()


cv_show(res, 'res')

scharr算子描绘更加细致

Laplacian最好不要单独用，和其它算子共同使用

4.3边缘检测

Canny边缘检测

• 1) 使用高斯滤波器，以平滑图像，滤除噪声。

• 2) 计算图像中每个像素点的梯度强度和方向。

• 3) 应用非极大值（Non-Maximum Suppression）抑制，以消除边缘检测带来的杂散响应。

• 4) 应用双阈值（Double-Threshold）检测来确定真实的和潜在的边缘。

• 5) 通过抑制孤立的弱边缘最终完成边缘检测。

4.3.1高斯滤波器

4.3.2梯度和方向

4.3.3非极大值抑制

求得A点与周围两点C,B梯度的幅值大小，最大——保存，不是最大——抑制掉 

4.3.4双阈值检测

A——边界

B,C要讨论

C与A（边界）有连接——保留

B无连接——舍去

import cv2
import numpy as np

img = cv2.imread("lena.jpg", cv2.IMREAD_GRAYSCALE)

v1 = cv2.Canny(img, 80, 150)  # 设置双阈值 最小和最大
v2 = cv2.Canny(img, 50, 100)

res = np.hstack((v1, v2))


# 显示图像函数
def cv_show(img, name):
    cv2.imshow(name, img)
    cv2.waitKey()
    cv2.destroyAllWindows()


cv_show(res, 'res')

v1 = cv2.Canny(img, 80, 150)  # 设置双阈值 最小和最大

maxVal——值越高，标准越高

minVal——值越高，标准越高

差值更大：

img2 = cv2.imread('car.png', cv2.IMREAD_GRAYSCALE)
v1 = cv2.Canny(img2, 120, 250)
v2 = cv2.Canny(img2, 50, 100)
res_2 = np.hstack((v1, v2))
res_2=cv2.resize(res_2, None, fx=0.5, fy=0.5)
cv_show(res_2, 'res')

右边可以检测的信息更全一点