网站限时抢购怎么做,扬州住房和建设局网站,仿土豆网站源码,网站怎么做站群边缘检测
边缘检测是图像处理和计算机视觉中的基本问题#xff0c;边缘检测的目的是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映了属性的重要事件和变化。边缘检测是特征提取中的一个研究领域。
图像边缘检测大幅度地减少了数据量#xff0c;并且剔除了…边缘检测
边缘检测是图像处理和计算机视觉中的基本问题边缘检测的目的是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映了属性的重要事件和变化。边缘检测是特征提取中的一个研究领域。
图像边缘检测大幅度地减少了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。有许多方法用于边缘检测它们的绝大部分可以划分为两类基于查找一类和基于零穿越的一类。基于查找的方法通过寻找图像一阶导数中的最大值和最小值来检测边界通常是将边界定位在梯度最大的方向。基于零穿越的方法通过寻找图像二阶导数零穿越来寻找边界通常是Laplacian过零点或者非线性差分表示的过零点。
如果将边缘认为是一定数量点亮度发生变化的地方那么边缘检测大体上就是计算这个亮度变化的导数。
一检测方法
边缘检测的方法大致可分为两类基于搜索和基于零交叉
基于搜索的边缘检测方法首先计算边缘强度通常用一阶导数表示例如梯度模然后用计算估计边缘的局部方向通常采用梯度的方向并利用此方向找到局部梯度模的最大值。
基于零交叉的方法找到由图像得到的二阶导数的零交叉点来定位边缘通常用拉普拉斯算子或非线性微分方程的零交叉点。
滤波作为边缘检测的预处理通常是必要的通常采用高斯滤波。
二Sobel边缘检测算子
Sobel边缘检测算法比较简单实际应用中效率比canny边缘检测效率要高但是边缘不如Canny检测的准确但是很多实际应用的场合sobel边缘却是首选Sobel算子是高斯平滑与微分操作的结合体所以其抗噪声能力很强用途较多。尤其是效率要求较高而对细纹理不太关系的时候。算子的模板为 Sobel算子是一种带有方向的过滤器openCV中Sobel算子的函数为cv2.Sobel ()。
Sobel_x_or_y cv2.Sobel(src, ddepth, dx, dy, dst, ksize, scale, delta, borderType)dst及dst之后的参数都是可选参数。
第一个参数是传入的图像第二个参数是图像的深度dx和dy指的是求导的阶数0表示这个方向上没有求导所填的数一般为0、1、2。ksize是Sobel算子的大小即卷积核的大小必须为奇数1、3、5、7。如果ksize-1就演变成为3x3的Scharr算子scale是缩放导数的比例常数默认情况为没有伸缩系数。borderType是判断图像边界的模式这个参数默认值为cv2.BORDER_DEFAULT。
# Sobel边缘检测算子
img cv2.imread(luotuo.jpg, 0)
x cv2.Sobel(img, cv2.CV_16S, 1, 0)
y cv2.Sobel(img, cv2.CV_16S, 0, 1)
# cv2.convertScaleAbs(src[, dst[, alpha[, beta]]])
# 可选参数alpha是伸缩系数beta是加到结果上的一个值结果返回uint类型的图像
Scale_absX cv2.convertScaleAbs(x) # convert 转换 scale 缩放
Scale_absY cv2.convertScaleAbs(y)
result cv2.addWeighted(Scale_absX, 0.5, Scale_absY, 0.5, 0)
cv2.imshow(img, img)
cv2.imshow(Scale_absX, Scale_absX)
cv2.imshow(Scale_absY, Scale_absY)
cv2.imshow(result, result)
cv2.waitKey(0)
cv2.destroyAllWindows()
Sobel函数求完导数后会有负值还有会大于255的值。而原图像是uint8即8位无符号数所以Sobel建立的图像位数不够会有截断。因此要使用16位有符号的数据类型即cv2.CV_16S。处理完图像后再使用cv2.convertScaleAbs()函数将其转回原来的uint8格式否则图像无法显示。
Sobel算子是在两个方向计算的最后还需要用cv2.addWeighted( )函数将其组合起来。
result cv2.addWeighted(src1, alpha, src2, beta, gamma[, dst[, dtype]])其中alpha是第一幅图片中元素的权重beta是第二个图像的权重gamma是加到最后结果上的一个值。 三Scharr算子
由二中可知当Sobel函数的参数ksize-1时就演变成了3x3的Scharr算子。算子的模板为 # Scharr算子
img cv2.imread(luotuo.jpg, 0)
x cv2.Sobel(img, cv2.CV_16S, 1, 0, ksize-1)
y cv2.Sobel(img, cv2.CV_16S, 0, 1, ksize-1)
# ksize-1 Scharr算子
# cv2.convertScaleAbs(src[, dst[, alpha[, beta]]])
# 可选参数alpha是伸缩系数beta是加到结果上的一个值结果返回uint类型的图像
Scharr_absX cv2.convertScaleAbs(x) # convert 转换 scale 缩放
Scharr_absY cv2.convertScaleAbs(y)
result cv2.addWeighted(Scharr_absX, 0.5, Scharr_absY, 0.5, 0)
cv2.imshow(img, img)
cv2.imshow(Scharr_absX, Scharr_absX)
cv2.imshow(Scharr_absY, Scharr_absY)
cv2.imshow(result, result)
cv2.waitKey(0)
cv2.destroyAllWindows() 从Scharr算子与Sobel算子最终的结果比较可以看出Scharr对图像梯度的变化更加敏感。
四拉普拉斯Laplacian算子
Laplacian函数实现的方法是先用Sobel算子计算二阶x和y导数再求和。 laplacian cv2.Laplacian(src, ddepth[, dst[, ksize[, scale[, delta[, borderType]]]]])前两个参数是必选参数其后是可选参数。第一个参数是需要处理的图像第二个参数是图像的深度-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原图像的深度ksize参数是算子的大小即卷积核的大小必须为1,3,5,7。默认为1。
scale是缩放导数的比例chan常数默认情况下没有伸缩系数borderType是判断图像边界的模式。这个参数默认值为cv2.BORDER_DEFAULT。
# 拉普拉斯算子
img cv2.imread(luotuo.jpg, 0)
laplacian cv2.Laplacian(img, cv2.CV_16S, ksize3)
dst cv2.convertScaleAbs(laplacian)
cv2.imshow(laplacian, dst)
cv2.waitKey(0)
cv2.destroyAllWindows() 当ksize1时图像为 ksize5时 ksize7时 由此可见当参数ksize越大即卷积核越大时算子对图像梯度的变化越敏感。ksize3时的图像还不是很好在经过高斯模糊处理一下去掉了很多噪声。
blur cv2.GaussianBlur(img, (3, 3), 0)
laplacian cv2.Laplacian(blur, cv2.CV_16S, ksize3) 五Canny算子
图像边缘检测必须满足两个条件一能有效地抑制噪声二必须尽量精确确定边缘的位置。
根据对信噪比与定位乘积进行测度得到最优化逼近算子。这就是Canny边缘检测算子。
算法的基本步骤为
1.用高斯滤波器平滑图像
2.用一阶偏导的有限差分来计算梯度的幅值和方向
3.对梯度幅值进行非极大抑制
4.用双阈值算法检测和连接边缘。
更详细的介绍可以参考canny算子1 canny算子2
canny cv2.Canny(image, threshold1, threshold2[, edges[, apertureSize[, L2gradient ]]]) 第一个参数是需要处理的原图像单通道的灰度图第二个参数是阈值1第二个参数是阈值2较大的阈值2用于检测图像中明显的边缘但一般情况下检测的效果不会那么完美边缘检测出来是断断续续的。所以这时候应用较小的第一个阈值来将这些间断的边缘连接起来。可选参数中aperaperturesize参数就是卷积核的大而L2gradient参数就是一个布尔值如果为true则就使用更精确的L2范数进行计算即两个方向的倒数的平方和再开方否则使用L1范数直接将两个方向导数的绝对值相加。
# canny算子
img cv2.imread(luotuo.jpg, 0)
blur cv2.GaussianBlur(img, (3, 3), 0) # 用高斯滤波处理原图像降噪
canny cv2.Canny(blur, 50, 150) # 50是最小阈值,150是最大阈值
cv2.imshow(canny, canny)
cv2.waitKey(0)
cv2.destroyAllWindows() 可以看到对图像的处理效果还是比较不错的在阈值的选取上我找到了一个可以在运行时调整阈值大小的程序。
lowThreshold 0
max_lowThreshold 100
ratio 3
kernel_size 3img cv2.imread(luotuo.jpg)
gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)cv2.namedWindow(canny demo)cv2.createTrackbar(Min threshold, canny demo, lowThreshold, max_lowThreshold, CannyThreshold)CannyThreshold(0) # initialization
if cv2.waitKey(0) 27:cv2.destroyAllWindows()
