【OpenCV

【OpenCV

文章目录

• 1 边缘检测原理
• 2 Sobel算子和Scharr算子
• • 2.1 Sobel算子
  • 2.2 Scharr算子
• 3 Laplacian算子
• 4 canny算子

  学习目标：
  了解Sobel算子，Scharr算子和拉普拉斯算子
  掌握canny边缘检测的原理及应用
   边缘检测之后获取得到二值图像

1 边缘检测原理

  定义： 标识数字图像中亮度变化明显的点。图像属性中的显著变化通常反应了属性的重要事件和变化，边缘的表现形式如下图所示：

  作用： 图像边缘检测大幅度减少数据量，并且剔除了可以认为不相关的信息，保留了图像重要的结构属性。
  边缘检测的分类：
  （1）基于搜索：通过寻找图像一阶导数中的最大值来检测边界。然后利用计算结果估计边缘的局部方向，通常采用梯度方向，并利用此方向找到局部梯度最大值，代表算法是Sobel算子和Scharr算子

  （2）基于零穿越：通过寻找图像二阶导数零穿越来寻找边界，代表算法为Laplacian算子。

2 Sobel算子和Scharr算子

  共同点： 都是利用一阶导数进行边缘检测的方法（一阶导数的最大值），速度快。
  原理：
  对于不连续的函数（图像），某点的一阶导数可以写做：f^’(x)=f(x)-f(x-1) 或 f^’(x)=f(x+1)-f(x）
  一阶导数：

2.1 Sobel算子

  Sobel算子原理：
  （1）假设要处理的图像为I，要在水平方向和垂直方向分别求一阶导数

  （2）在图像的每一个点，结合以上两个结果求出：

  （3）统计G中极大值所在的位置，就是图像的边缘
  Sobel边缘检测流程：
  （1）API： Sobel_x_or_y=cv2.Sobel（src，ddepth，dx，dy，dst，ksize，scale，delta，borderType）
  参数：
    src：传入图像
    ddepth：图像深度
    dx和dy：代表是否在这个方向上求导，0代表不求导，1代表求导
    ksize：是Sobel算子的大小，既卷积核的大小，必须为奇数。如果ksize=-1，就演变成为3×3的Scharr算子。
    scale：缩放导数的比例常数，默认情况为没有伸缩系数
    BorderType：图像边界的模式。默认值为cv2.BORDER_DEFAULT
  （2） Sobel函数在某方向上求导，求导后可能会有负值，还可能会有大于255的值。而原图像是uint8，既8位无符号数，所以Sobel建立的图像位数不够，会有阶段。因此要使用16位有符号的数据类型，既cv2.CV_16S，处理完图像后，再利用vertScaleAbs（）函数将其转换为uint8格式，否者图像无法显示。
  （3） Sobel算子是在两个方向上计算的，最后还需要用cv2.addWeighted（）函数将其组合起来。

import cv2
import matplotlib.pyplot as plt
import numpy as np
#1. 读取图像，灰度形式
img=cv2.imread('suanzi.png',1)#灰度值的方式读取图像#2.计算x方向和y方向的梯度
x=cv2.Sobel(img,cv2.CV_16S,1,0)
y=cv2.Sobel(img,cv2.CV_16S,0,1)#3.格式转换
abax&#vertScaleAbs(x)
abay&#vertScaleAbs(y)#4.xy方向加权
res=cv2.addWeighted(abax,0.5,abay,0.5,0)cv2.imshow('origin',img)
cv2.imshow('sobel',res)
cv2.waitKey(0)

  Sobel算子缺点：
  当内核大小为3时，Sobel算子内核可能产生比较明显的误差。为解决这一个问题，使用Scharr函数

2.2 Scharr算子

  特点：
  Scharr函数仅作用于大小为3的内核，该函数的运算与Sobel函数一样快，但是结果却更加准确
  Scharr算子原理：
  （1）假设要处理的图像为I，要在水平方向和垂直方向分别求一阶导数

  （2）在图像的每一个点，结合以上两个结果求出：

  （3）统计G中极大值所在的位置，就是图像的边缘。

import cv2
import matplotlib.pyplot as plt
import numpy as np
#1. 读取图像，灰度形式
img=cv2.imread('suanzi.png',1)#灰度值的方式读取图像#2.计算x方向和y方向的梯度(scharr算子)
x=cv2.Sobel(img,cv2.CV_16S,1,0,ksize=-1)
y=cv2.Sobel(img,cv2.CV_16S,0,1,ksize=-1)#3.格式转换格式
abax&#vertScaleAbs(x)#转换为uint
abay&#vertScaleAbs(y)#4.xy方向加权
res=cv2.addWeighted(abax,0.5,abay,0.5,0)cv2.imshow('origin',img)
cv2.imshow('scharr',res)
cv2.waitKey(0)

3 Laplacian算子

  原理：
  利用二阶导数来检测边缘，因为图像是2维，我们需要在两个方向上进行求导：

  不连续函数（图像）的二阶导数：f^’’(x)=f^’(x+1)-f^’(x)=f(x+1)-f(x)-f(x)+f(x-1)=f(x+1)=f(x-1)-2f(x)
  使用的卷积核为：

  API： cv2.Laplacian（src,ddepth，ksize）
  参数：
    src：需要处理的图像
    Ddepth：图像的深度，-1表示采用的是原图像相同的深度，目标图像的深度必须大于等于源图像的深度
    ksize：算子的大小，即卷积核的大小，必须为奇数。

import cv2
import matplotlib.pyplot as plt
import numpy as np
#1. 读取图像，灰度形式
img=cv2.imread('suanzi.png',1)#灰度值的方式读取图像#2.laplacian边缘检测(算子)
res=cv2.Laplacian(img,cv2.CV_16S)#3.格式转换格式
res&#vertScaleAbs(res)#转换为uint8cv2.imshow('origin',img)
cv2.imshow('laplacian',res)
cv2.waitKey(0)

4 canny算子

  被认为是最优的边缘检测算法
  边缘检测流程：
  （1）噪声去除——高斯滤波
  由于边缘检测很容易受到噪声的影响，所以首先使用5×5的高斯滤波去除噪声。
  （2）计算图像梯度
  2.1 平滑后的图像使用Sobel算子计算水平和垂直方向的一阶导数（Gx和Gy）
  2.2 根据梯度图计算边界的梯度值和梯度方向，公式如下：

  如果某个像素点是边缘，则其梯度方向总是垂直于边缘。梯度方向被归为4类：垂直、水平和两个对角线方向。
  （3）非极大值抑制
  在获得梯度的方向和大小后，对整幅图像进行扫描，去除那些非边界的点。对每一个像素进行检查，看该点梯度值是不是周围具有相同梯度方向的点中是最大的，如果是最大的则保留该点，否则该点被抑制。扫描完整个图像后，结果为具有‘细边’的二进制图像。

  （4）滞后阈值
  确定真正的边界，设定两个阈值：minVal和maxVal。当图像的灰度梯度高于maxVal时被认为是真正的边界，低于minVal的边界被抛弃；如果灰度梯度值介于两者之间，就要看这个点是否与某个被确定为真正的边界点的点相连，如果是就认为该点是边界点，保留该点，否者抛弃该点。

  边缘检测：
  （1）API
  canny=cv2.Canny(image,threshold1,threshold2)
  （2）参数：
    image：灰度图
    threshold1：minVal,较小的阈值，将间断的边缘连接起来
    threshold2：maxVal较大的阈值检测图像中明显的边缘。

import cv2
import matplotlib.pyplot as plt
import numpy as np
#1. 读取图像，灰度形式
img=cv2.imread('suanzi.png',1)#灰度值的方式读取图像#2.canny边缘检测
canny=cv2.Canny(img,0,100)cv2.imshow('origin',img)
cv2.imshow('laplacian',canny)
cv2.waitKey(0)