一、论文背景
1.论文①
2.论文②
边缘定位(手指和背景图像分离),利用手指和背景图像有明显的边缘,边缘处的灰度分布存在突变的特性。
3.论文④
提出“基于超像素的手指边界检测”
step1 :基于超像素分割的手指边界追踪(目前常用的有①基于sobel检测子的方法②基于模板的方法③基于灰度阈值的方法)
超像素的定义与作用(手指边界追踪分为4步进行)
后处理(错误边界)
step2:手指倾斜校正及roi定位
(以及该作者提出的“基于滑动窗口的感兴趣区域提取”)
二、参考资料
2.python版本的两个详细解析(五)OpenCV-Python学习—边缘检测1 - silence_cho - 博客园 (cnblogs.com)https://www.cnblogs.com/silence-cho/p/11070766.html
三、相关论文代码
1.代码①
#边缘检测
def edge_detection(img):
#img = cv2.imread(file, 0)
#img = cv2.imread("01.jpg", 0)
x = cv2.Sobel(img,cv2.CV_16S,1,0)
y = cv2.Sobel(img,cv2.CV_16S,0,1)
absX = cv2.convertScaleAbs(x)# 转回uint8
absY = cv2.convertScaleAbs(y)
img_edge = cv2.addWeighted(absX,0.5,absY,0.5,0)
'''
#cv2.imshow("absX", absX)
#cv2.imshow("absY", absY)
#cv2.imshow("Result", img_edge)
#cv2.waitKey(0)
#cv2.destroyAllWindows()
fig = plt.figure(figsize = (30, 30))
ax1 = fig.add_subplot(1, 2, 1)
ax2 = fig.add_subplot(1, 2, 2)
#ax3 = fig.add_subplot(1, 3, 3)
ax1.imshow(img, cmap = plt.cm.gray)
ax2.imshow(img_edge, cmap = plt.cm.gray)
plt.show()
'''
return img, img_edge