基于Python的Opencv学习

基于Python的Opencv学习第十一天

今天为大家先介绍一下laplacian算子，来结束图像梯度的内容，然后介绍一下canny边缘检测。

一.laplacian算子

laplacian算子类似于二阶的sobel导数，因为laplacian算子的卷积核不同，其卷积核如图：

可以看到卷积核里面的系数同sobel算子和scharr算子不同。其中，laplacian算子的计算公式为：

P5=（p2+p4+p6+p8)-4*p5

来看示例：

来对比一下三种算子：


这里可以看到完全是因为三类算子其系数不同而导致结果不同。
在opencv里面，利用

cv2.Laplacian(src,ddepth)

在这里，dst为结果图像，src为原图像，ddepth为图像深度。

通常计算时，图像深度使用更高的数据类型cv2.CV_64F,取绝对值后，再转为np.uint8(cv2.CV_8U)类型。

import cv2
import numpy as np
a=cv2.imread(r"C:\Users\LT010407\Desktop\lena.jpg")
laplacian=cv2.Laplacian(a,cv2.CV_64F)
laplacian=cv2.convertScaleAbs(laplacian)
cv2.imshow("a",a)
cv2.imshow("laplacian",laplacian)

可以看到代码和结果。

二.Canny边缘检测

1.Canny边缘检测原理
Canny边缘检测的一般步骤分四步：
①去噪
边缘检测容易受到噪声的影响，所以在进行边缘检测前要进行去噪处理，通常采用高斯滤波器去除噪声

至于高斯滤波器的方法和使用，需要参考我以前的博客
即是让临近的像素具有更高的重要度，对周围像素计算加权平均值，较近的像素具有较大的权重值（除以56的原因是加起来的值等于56，然后可以确保得到的值能够在0~256之间）

②梯度
对平滑后的图像采用sobel算子计算梯度和方向
梯度的计算前面博客介绍了，至于方向，首先计算水平方向的梯度和竖直方向上的梯度，然后通过算式：

Angle（α）=tan^-1（Gy/Gx）可以得到该点的方向

梯度的方向一般总是与边界垂直，有四类：垂直，水平，以及两个对角线方向。

③非极大值抑制
在获取梯度和方向后，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中具有相同方向梯度的最大值

如图，点A，点B，点C三点具有相同的方向，梯度方向垂直于边缘，判断点A是否为点A，点B，点C的局部最大值：如果是，保留该点；否则，该点被抑制（即像素值归零）。

来看个例子：

黄色背景的值被保留，其余点被抑制（处理为0）

④滞后阈值
这里我们选取两个阈值，分别为最大阈值和最小阈值
看上图右侧，比边界阈值大的保留，与边界相连保留，其他的则抛弃。所以最后的结果为：

这里B和D被剔除，值被处理为0。

来看一下边缘处理的美：

2.Canny边缘检测函数
边缘检测的函数为cv2.Canny（），具体格式为：

edges=cv2.Canny（image，threshold1，threshold2）

参数说明：
edges为边界图像
image为原图像
threshold1为上面提到的阈值minVal
threshold2为上面提到的阈值maxVal

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
a=cv2.imread(r"C:\Users\LT010407\Desktop\lena.jpg")
r1=cv2.Canny(a,100,200)
r2=cv2.Canny(a,64,128)
cv2.imshow("a",a)
cv2.imshow("r1",r1)
cv2.imshow("r2",r2)

好的，今天的内容就结束了，为大家重点介绍了canny边缘检测知识，大家好好理解一下吧（转载注明出处）