OpenCV 的几种查找图像中轮廓边缘的方法

深蓝海拓2024-06-03 9:49

原始图片：

1、Sobel()

Sobel 算子结合了高斯平滑和微分，用于计算图像的梯度，从而突出显示边缘。

python 复制代码 
import cv2

# 读取图像
image = cv2.imread('image.png', cv2.IMREAD_GRAYSCALE)

# 使用 Sobel 算子查找水平和垂直边缘
sobel_x = cv2.Sobel(image, cv2.CV_64F, 1, 0, ksize=3)
sobel_y = cv2.Sobel(image, cv2.CV_64F, 0, 1, ksize=3)

# 叠加水平和垂直边缘
edges = cv2.addWeighted(cv2.convertScaleAbs(sobel_x), 0.5, cv2.convertScaleAbs(sobel_y), 0.5, 0)



# 显示结果
cv2.imshow("Original Image", image)
cv2.imshow("Edges", edges)

cv2.waitKey(0)
cv2.destroyAllWindows()

函数原型：

python 复制代码 
sobel = cv2.Sobel(src, ddepth, dx, dy, ksize, scale, delta, borderType)

参数说明：

  1. src: 输入图像（单通道，例如灰度图）。
  2. ddepth : 输出图像的深度（例如 cv2.CV_64F 表示 64 位浮点数）。
  3. dx: x 方向上的导数阶数（0表示没有导数，1表示一阶导数）。
  4. dy: y 方向上的导数阶数（与 dx 类似）。
  5. ksize: Sobel 核的大小，必须是 1, 3, 5 或 7 等奇数。
  6. scale: 可选值，缩放导数结果，以便调整图像亮度（默认值为 1）。
  7. delta: 可选值，在存储之前添加到结果中的值（默认值为 0）。
  8. borderType : 边界类型，用于确定图像边界（默认值为 cv2.BORDER_DEFAULT）。

2、Scharr()

Scharr 算子是一种改进的 Sobel 算子，适用于增强边缘检测的精度，在正常的 Sobel 核的尺寸上有更好的性能。

scharr_x = cv2.Scharr(src, ddepth, dx, dy, scale, delta, borderType)

参数说明：

  • 与 cv2.Sobel() 相同，只是 ksize 参数被硬编码为 3。
python 复制代码 
import cv2
import numpy as np

# 读取图像并转换为灰度图
image = cv2.imread('image.png', cv2.IMREAD_GRAYSCALE)

# 使用 Scharr 算子计算 x 和 y 方向上的梯度
grad_x = cv2.Scharr(image, cv2.CV_64F, 1, 0)
grad_y = cv2.Scharr(image, cv2.CV_64F, 0, 1)

# 将梯度取绝对值并转换为 8 位图像
abs_grad_x = cv2.convertScaleAbs(grad_x)
abs_grad_y = cv2.convertScaleAbs(grad_y)

# 合并 x 方向和 y 方向的梯度
scharr = cv2.addWeighted(abs_grad_x, 0.5, abs_grad_y, 0.5, 0)

# 显示图像
cv2.imshow('Scharr Edge Detection', scharr)
cv2.waitKey(0)
cv2.destroyAllWindows()

3、Canny()

Canny 边缘检测是一种多级边缘检测算法，效果较为显著，常用来检测图像中的明显边缘。

函数原型：

python 复制代码 
edges = cv2.Canny(image, threshold1, threshold2, apertureSize, L2gradient)

参数说明：

  • image: 输入图像，通常是灰度图。
  • threshold1: 较低的阈值，用于边缘检测的滞后阈值过程。
  • threshold2: 较高的阈值。
  • apertureSize: Sobel 算子的大小，默认值为 3。
  • L2gradient: 可选参数，用于计算图像梯度幅值的标志。如果为 True，则使用更精确的 L2 范数计算梯度，否则使用 L1 范数。
python 复制代码 
import cv2

# 读取图像并转换为灰度图
image = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)

# 使用 Canny 边缘检测
edges = cv2.Canny(image, 100, 200)

# 显示图像
cv2.imshow('Canny Edge Detection', edges)
cv2.waitKey(0)
cv2.destroyAllWindows()

4、Laplacian ()

Laplacian 算子是一种二阶导数算子，用于检测图像中的边缘。

laplacian = cv2.Laplacian(src, ddepth, ksize, scale, delta, borderType)

参数说明：

  • src: 输入图像。

  • ddepth: 输出图像的深度。

  • ksize: Laplacian 算子的大小，必须是正奇数。

  • scale: 可选参数，用于缩放导数值，默认值为 1。

  • delta: 可选参数，在存储之前添加到结果中的值，默认值为 0。

  • borderType : 边界模式，默认值为 cv2.BORDER_DEFAULT。

    python 复制代码 
    import cv2
import numpy as np

# 读取图像并转换为灰度图
image = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)

# 使用 Laplacian 边缘检测
laplacian = cv2.Laplacian(image, cv2.CV_64F)

# 将结果转换为 8 位图像
laplacian = cv2.convertScaleAbs(laplacian)

# 显示图像
cv2.imshow('Laplacian Edge Detection', laplacian)
cv2.waitKey(0)
cv2.destroyAllWindows()

5、Prewitt算子

Prewitt 算子是另一种一阶导数算子，可以检测水平和垂直边缘。虽然 OpenCV 没有直接提供 cv2.prewitt() 函数，但可以使用 cv2.filter2D 函数自定义 Prewitt 核来实现。

python 复制代码 
import cv2
import numpy as np

# 读取图像并转换为灰度图
image = cv2.imread('image.png', cv2.IMREAD_GRAYSCALE)

# 定义 Prewitt 核
prewitt_kernel_x = np.array([[1, 0, -1],
                             [1, 0, -1],
                             [1, 0, -1]])
prewitt_kernel_y = np.array([[1, 1, 1],
                             [0, 0, 0],
                             [-1, -1, -1]])

# 使用 Prewitt 核进行边缘检测
grad_x = cv2.filter2D(image, cv2.CV_64F, prewitt_kernel_x)
grad_y = cv2.filter2D(image, cv2.CV_64F, prewitt_kernel_y)

# 计算梯度幅值
abs_grad_x = cv2.convertScaleAbs(grad_x)
abs_grad_y = cv2.convertScaleAbs(grad_y)
prewitt = cv2.addWeighted(abs_grad_x, 0.5, abs_grad_y, 0.5, 0)

# 显示图像
cv2.imshow('Prewitt Edge Detection', prewitt)
cv2.waitKey(0)
cv2.destroyAllWindows()

6、Roberts Cross算子

罗伯特交叉算子是一种简单且快速的边缘检测算子，适用于检测图像的对角边缘。OpenCV 中没有直接提供罗伯特交叉算子，但可以通过自定义卷积核实现。

import cv2
import numpy as np

# 读取图像并转换为灰度图
image = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)

# 定义 Roberts 核
roberts_kernel_x = np.array([[1, 0],
                             [0, -1]])
roberts_kernel_y = np.array([[0, 1],
                             [-1, 0]])

# 使用 Roberts 核进行边缘检测
grad_x = cv2.filter2D(image, cv2.CV_64F, roberts_kernel_x)
grad_y = cv2.filter2D(image, cv2.CV_64F, roberts_kernel_y)

# 计算梯度幅值
abs_grad_x = cv2.convertScaleAbs(grad_x)
abs_grad_y = cv2.convertScaleAbs(grad_y)
roberts = cv2.addWeighted(abs_grad_x, 0.5, abs_grad_y, 0.5, 0)

# 显示图像
cv2.imshow('Roberts Edge Detection', roberts)
cv2.waitKey(0)
cv2.destroyAllWindows()

7、自定义卷积核

还可以通过自定义卷积核来进行边缘检测。

python 复制代码 
import cv2
import numpy as np

# 读取图像并转换为灰度图
image = cv2.imread('image.png', cv2.IMREAD_GRAYSCALE)

# 定义自定义卷积核
custom_kernel = np.array([[-1, -1, -1],
                          [-1, 7, -1],
                          [-1, -1, -1]])

# 使用自定义卷积核进行边缘检测
custom_edges = cv2.filter2D(image, cv2.CV_64F, custom_kernel)

# 将结果转换为 8 位图像
custom_edges = cv2.convertScaleAbs(custom_edges)

# 显示图像
cv2.imshow('Custom Kernel Edge Detection', custom_edges)
cv2.waitKey(0)
cv2.destroyAllWindows()

8、基于直方图的边缘检测

基于直方图的方法，通过分析图像的灰度直方图来检测边缘。

python 复制代码 
import cv2
import numpy as np

# 读取图像并转换为灰度图
image = cv2.imread('image.png', cv2.IMREAD_GRAYSCALE)

# 计算图像的直方图
hist = cv2.calcHist([image], [0], None, [256], [0, 256])

# 找到直方图的峰值
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(hist)

# 使用峰值作为阈值进行二值化处理
_, binary = cv2.threshold(image, max_loc[1] - 30, 255, cv2.THRESH_BINARY)

# 显示图像
cv2.imshow('Histogram Based Edge Detection', binary)
cv2.waitKey(0)
cv2.destroyAllWindows()

9、adaptiveThreshold()

自适应阈值

自适应阈值可以在照明不均匀的情况下检测边缘。

函数原型：

cv2.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C[, dst])

参数说明：

  • src：输入图像，应为灰度图像（单通道）。

  • maxValue：指定在满足条件时给输出像素赋予的最大值（通常为255）。

  • adaptiveMethod：自适应方法。可选值有：

    • cv2.ADAPTIVE_THRESH_MEAN_C：基于邻域均值的自适应阈值化方法。
    • cv2.ADAPTIVE_THRESH_GAUSSIAN_C：基于邻域加权均值的自适应阈值化方法。

  • thresholdType：阈值类型，应为 cv2.THRESH_BINARY 或 cv2.THRESH_BINARY_INV。

  • blockSize：指定用于计算阈值的邻域大小，一般为奇数。

  • C：从计算的平均值或加权平均值中减去的常数。

    import cv2

    读取图像并转换为灰度图

    image = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)

    自适应阈值

    adaptive_threshold = cv2.adaptiveThreshold(image, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)

    显示图像

    cv2.imshow('Adaptive Threshold Edge Detection', adaptive_threshold)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

10、threshold()

阈值化 (cv2.threshold)

简单的全局阈值化方法，通过固定的阈值来二值化图像以检测边缘。

import cv2

# 读取图像并转换为灰度图
image = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)

# 全局阈值化
_, threshold = cv2.threshold(image, 127, 255, cv2.THRESH_BINARY)

# 显示图像
cv2.imshow('Global Threshold Edge Detection', threshold)
cv2.waitKey(0)
cv2.destroyAllWindows()
相关推荐
Aileen_0v01 小时前
【玩转OCR | 腾讯云智能结构化OCR在图像增强与发票识别中的应用实践】
android·java·人工智能·云计算·ocr·腾讯云·玩转腾讯云ocr
阿正的梦工坊2 小时前
深入理解 PyTorch 的 view() 函数：以多头注意力机制（Multi-Head Attention）为例 （中英双语）
人工智能·pytorch·python
Ainnle2 小时前
GPT-O3：简单介绍
人工智能
OceanBase数据库官方博客2 小时前
向量检索+大语言模型，免费搭建基于专属知识库的 RAG 智能助手
人工智能·oceanbase·分布式数据库·向量数据库·rag
测试者家园2 小时前
ChatGPT助力数据可视化与数据分析效率的提升（一）
软件测试·人工智能·信息可视化·chatgpt·数据挖掘·数据分析·用chatgpt做软件测试
西猫雷婶2 小时前
python学opencv|读取图像（十九）使用cv2.rectangle()绘制矩形
开发语言·python·opencv
Loving_enjoy4 小时前
ChatGPT详解
人工智能·自然语言处理
人类群星闪耀时4 小时前
深度学习在灾难恢复中的作用：智能运维的新时代
运维·人工智能·深度学习
图王大胜4 小时前
模型 确认偏误(关键决策)
人工智能·职业发展·管理·心理·认知·决策
热门推荐
01【数学建模】建筑工地开工问题02Ubuntu 20.04使用Livox mid 360 测试 FAST_LIO03玄机平台应急响应—webshell查杀04液体神经网络：LNN是个啥概念？05优化手机性能，解决卡顿问题：关闭这3个微信开关，释放内存空间06HCIA-datacom数通题库和录播视频资料07Qt | 开发工具(top1)08【一文读懂】NTN（非地面网络）技术介绍09支付宝短视频平台创作分成激励项目10Apache SeaTunnel 集群部署详细教程