skimage边缘检测

前言

这是一次学习记录，第一次使用skimage库做cv项目，其中在学校做的项目都是基于opencv的，但好像由于opencv是C++编写，导致python调用起来效率会低很多，skimage是python编写，使用可能更适合python的cv项目吧。

Canny算子

如何寻找图像中物体的边缘，那就是图像中明暗区域变化显著的部分，对于灰度图来说，就是灰度值梯度变化剧烈的部分。
Canny主要有四个步骤

1. 高斯滤波
2. 梯度计算
3. 非极大值阈值
4. 双阈值滞后边界跟踪

灰度化

一般对图像处理首先都需要进行灰度处理，即现在大多有色图像都是RGB三通道，二灰度图像只有一个通道，有色图像可通过下面公式进行转换为灰度
$$Gray=0.299R+0.587G+0.114B$$
也可用skimage中的color库中的rgb2gray()方法
这次项目因为数据集本身就是灰度图像所以不用转化。

高斯滤波

高斯滤波其实就是将图像模糊化，为的是排除背景中虚假的边缘对主要识别对象边缘的影响。常用的滤波器有3╳3和5╳5的，中间为（0,0）周围都是刚好与原点相反，为的是把图像信息“抹匀”。其中有一个重要参数标准差σ，代表数据的离散程度。σ越小，模板的中心系数越大，周围的系数越小，这样对图像的平滑效果就不是很明显；σ越大，模板的各个系数相差就不是很大，比较类似均值模板，对图像的平滑效果比较明显。

梯度计算

canny中的梯度计算一般采用sobel算子进行梯度幅值和梯度方向的计算，它有水平和垂直两个模板，分别可以计算出水平和垂直方向上的梯度，再通过平方和开根的计算得到梯度大小，通过反三角函数计算得到梯度的方向。

非极大值抑制

双阈值之后边界跟踪

这里有两个阈值low_threshold和high_threshold，由于图中边缘有强边缘和弱边缘，因此采用双阈值，把低于low_threshold阈值的点抑制，高于high_threshold阈值的点保留，在low_threshold和high_threshold之间的判断该点周围是否有高于high_threshold阈值的点，若有则保留，没有则抑制。

寻边缘点

找边缘点除了可以直接用canny后的图像也可采用霍夫变换求得边缘直线

霍夫直线变换

霍夫直线变换是极坐标系向霍夫空间的映射，霍夫空间中的横坐标为该点在笛卡尔坐标系下的斜率，纵坐标为笛卡尔坐标系中与y轴的交点，但由于笛卡尔坐标系无法表示铅直方向上的线，使用采用极坐标系与霍夫空间的映射。极坐标系中的一条直线代表霍夫空间中的一个点，极坐标系中的一个点代表霍夫空间中的一条曲线。

这里我运用的是概率霍夫直线变换，两个原理都一样，就是概率霍夫变换要比普通的速度高。

画出图像中边缘所在直线

Pandas Series

做数据处理时要对点的频率区间进行筛选，使用这里用了Pands中的cut().value_counts()方法，该方法可传入两个列表，返回一个series对象，该对象是类似于字典类型，也是由键值对组成。通过对其中的值进行排序，就可得到点频率最高的区间段。

均值化

这里我是直接取得区间点集的平均值，但准确率不是很高，有的图片还是有一定的偏移量，也可采用其他方法，后续还会尝试。

画线

最后直接将均值化后的x坐标和y坐标调用matplatlib中的画线方法直接画出贯穿全图是水平和竖直直线。

效果还是非常明显的识别出了内圈的边缘并标记出。但若是电池正负级片高度差小到一定程度时，会因为太近而检测不到内部的直线，

总结

我觉得有以下原因：
1.原图较为模糊；
2.canny参数选取不当，未识别出内侧轮廓，应当反复尝试；
3.不能采用平均值寻找直线，过于粗糙，可以尝试直线拟合方式或者有限元分析；
4.点的预处理不够到位，可以试试去除掉干扰点。

最后

明天就是端午节啦，是入职以来第一个节日，祝大家端午安康！
2023.06.21