《OpenCV计算机视觉》—— 图像边缘检测

文章目录

一、图像边缘检测概述
二、常见的图像边缘检测算法（简单介绍）
三、代码实现

一、图像边缘检测概述

图像边缘检测是一种重要的图像处理技术，用于定位二维或三维图像中对象的边缘。这些边缘通常是图像中亮度或灰度值发生显著变化的地方，对应着物体的轮廓 、不同区域的边界等
图像边缘检测在图像分割、目标识别、图像分析等领域具有广泛的应用
图像边缘检测的目的：
- 特征提取：边缘是图像中重要的特征信息，通过边缘检测可以提取出这些特征，为后续处理如图像分割、目标识别等提供基础。
- 图像简化：边缘检测后的图像更为简洁，去除了大量冗余的像素点，有助于减少计算量，提高处理速度，并使图像更易于分析和理解。
- 结构分析：边缘检测有助于分析图像中的结构信息，如物体的形状、大小、方向等，这些信息对于图像理解、场景重建等任务至关重要。
- 提升图像质量：边缘检测可以突出图像中的轮廓信息，使图像更加清晰、易于观察，特别是在医学影像分析、遥感图像处理等领域尤为重要。
- 促进后续处理：边缘检测是许多图像处理任务的预处理步骤，如图像分割、目标检测、目标跟踪等，通过边缘检测可以更容易地识别出图像中的目标对象，并为后续处理提供准确的定位信息。
图像边缘检测的基本步骤 ：
- 滤波：边缘检测算法主要基于图像强度的一阶和二阶导数，但这些导数对噪声非常敏感。因此，滤波是边缘检测前的必要步骤，以减少噪声对边缘检测结果的影响。常用的滤波器有高斯滤波器，它通过离散化的高斯函数对图像进行平滑处理。
- 增强：增强算法的目的是将图像中灰度有显著变化的点（即潜在的边缘点）凸显出来。一般通过计算梯度幅值来完成，梯度反映了亮度变化的强度和方向。
- 检测：在增强后的图像中，需要进一步检测边缘点。常用的方法是通过阈值化来检测边缘点，即设定一个或多个阈值，将梯度幅值大于阈值的点视为边缘点。
- 定位：在检测到边缘点后，需要进一步确定边缘的精确位置。这通常涉及到对边缘点的进一步处理和分析，如亚像素边缘定位等，以提高边缘检测的精度。
- 连接：在某些情况下，由于噪声、光照变化等因素的影响，检测到的边缘点可能会呈现为断开的片段。因此，需要通过一定的算法（如霍夫变换、轮廓跟踪等）将这些断开的边缘片段连接起来，形成完整的边缘轮廓。

二、常见的图像边缘检测算法（简单介绍）

1.sobel算子

Sobel 算子是一种离散的微分算子，该算子结合了高斯平滑 和微分求导运算。该算子利用局部差分寻找边缘，计算所得的是一个梯度的近似值。
Sobel算子包含2组3×3的矩阵 ，分别为横向（Y方向）和纵向（X方向）模板，将之与图像作平面卷积，即可分别得出横向及纵向的亮度差分近似值。
如下图所示卷积核沿着X和Y方向进行卷积

2.Scharr算子

Scharr 算子是 Soble 算子在 ksize=3 （卷积核为3*3）时的优化 ，卷积核比Sobel算子更精细，与 Soble 的速度相同，且精度更高。Scharr 算子与 Sobel 算子的不同点是在平滑部分，其中心元素占的权重更重，相当于使用较小标准差的高斯函数，也就是更瘦高的模板。
卷积核如下：
以上两种算子的检测过程如下图所示

3.Laplacian算子

Laplacian算子不再以x和y的方向计算，而是以圆方向计算变化率。因此不需要Gx+Gy。
卷积核类似下图：

4.Canny算子

Canny算子是一种多步骤的边缘检测算法，它通过图像平滑（降噪） 、计算梯度幅值和方向 、非极大值抑制 以及双阈值处理等多个步骤来提取边缘信息
因此Canny算子具有高精度 、低误检率 和抗噪声能力强 的特点，是许多图像处理任务中边缘检测的首选算法
- 图像降噪 ：使用高斯滤波器对输入图像进行平滑处理，以消除图像中的噪声和细节。高斯滤波器是一种常用的平滑滤波器，它通过卷积操作降低图像噪声。
- 计算梯度幅值和方向：对平滑后的图像应用Sobel（或Prewitt）算子，计算每个像素点的梯度幅值和方向。梯度可以反映像素值的变化情况，是边缘检测的重要依据。
- 非极大值抑制：在梯度图像上，对每个像素点在其梯度方向上进行比较，并保留局部最大值点，抑制非边缘像素。这一步的目的是细化边缘，确保边缘的宽度为单个像素。
- 双阈值处理 ：根据设定的高阈值和低阈值，将梯度图像中的像素点分为强边缘、弱边缘和非边缘三个部分。高阈值用于确定边缘候选点，而低阈值用于连接边缘。

三、代码实现

对一张图片分别用以上不同的四种算子方法进行实现

python 复制代码

import cv2

""" 读取图片 """
M = cv2.imread('kobe.jpg', cv2.IMREAD_GRAYSCALE)  # 读取图片并转换为灰度图
MB = cv2.resize(M, dsize=None, fx=0.4, fy=0.4)  # 对图片大小进行调整（可选）

""" Sobel算子 """
"""
cv2.Sobel(src, ddepth, dx, dy[,ksize[, scale[, delta[, borderType]]]])# 参数:
src:输入图像
ddepth: 输出图像的深度(可以理解为数据类型)，-1表示与原图像相同的深度
dx,dy:当组合为dx=1,du=0时求x方向的一阶导数，当组合为dx=0,dy=1时求y方向的一阶导数(如果同时为1，通常效果不佳)
ksize:(可选参数)Sobel算子的大小，必须是1,3,5或者7(奇数),默认为3。
"""
# cv2.Sobel函数来分别计算水平和垂直的梯度
# 用cv2.CV_64F作为输出图像的深度时，结果可能会包含负数
MB_x_64 = cv2.Sobel(MB, cv2.CV_64F, dx=1, dy=0)
MB_y_64 = cv2.Sobel(MB, cv2.CV_64F, dx=0, dy=1)
# 使用cv2.convertScaleAbs函数将结果转换为可显示的格式（即取绝对值后转换为8位无符号整数）
MB_x_full = cv2.convertScaleAbs(MB_x_64)
MB_y_full = cv2.convertScaleAbs(MB_y_64)
# 使用cv2.addWeighted来结合水平和垂直梯度，这是计算梯度幅度（而非方向）的一种常用方法
# 权重都设置为0.5，意味着水平和垂直梯度对最终结果的贡献是相同的
MB_xy_full_Sobel = cv2.addWeighted(MB_x_full, 0.5, MB_y_full, 0.5, 0)  # 可以更改权重得到不同的效果

""" Scharr算子 """
"""
cv.Scharr(src, ddepth, dx, dyl, dst[, scalel, deltal, borderType]]]])
src:输入图像
ddepth:输出图片的数据深度，由输入图像的深度进行选择
dx: x 轴方向导数的阶数
dy: y 轴方向导数的阶数
"""
MB_x_64 = cv2.Scharr(MB, cv2.CV_64F, dx=1, dy=0)
MB_y_64 = cv2.Scharr(MB, cv2.CV_64F, dx=0, dy=1)
MB_x_full = cv2.convertScaleAbs(MB_x_64)
MB_y_full = cv2.convertScaleAbs(MB_y_64)
MB_xy_full_Scharr = cv2.addWeighted(MB_x_full, 0.5, MB_y_full, 0.5, 0)

""" Laplacian算子 """
"""
cv2.Laplacian(src, ddepth[, dst[, ksize[, scalel, delta[, borderType]]]]])
参数说明:
src:输入图像，可以是灰度图像，也可以是多通道的彩色图像
ddepth:输出图片的数据深度，由输入图像的深度进行选择
ksize:计算二阶导数滤波器的孔径大小，必须为正奇数，可选项
scale:缩放比例因子，可选项，默认值为 1
delta:输出图像的偏移量，可选项，默认值为 0
"""
MB_lap = cv2.Laplacian(MB, cv2.CV_64F)
MB_full_Laplacian = cv2.convertScaleAbs(MB_lap)

""" Canny算子 """
"""
cv.Canny( image, threshold1, threshold2[, apertureSize[, L2gradient]])
image 为输入图像
threshold1 表示处理过程中的第一个阈值。fL --> 低
threshold2 表示处理过程中的第二个阈值。fH --> 高
"""
MB_canny = cv2.Canny(MB, 100, 150)  # 设置高低阈值


""" 显示结果 """
cv2.imshow('MB', MB)  # 原图
cv2.imshow('MB_xy_full_Sobel', MB_xy_full_Sobel)  # Sobel算子
cv2.imshow('MB_xy_full_Scharr', MB_xy_full_Scharr)  # Scharr算子
cv2.imshow('MB_full_Laplacian', MB_full_Laplacian)  # Laplacian算子
cv2.imshow('MB_canny', MB_canny)  # canny算子

# 等待任意键按下后关闭所有窗口
cv2.waitKey(0)
cv2.destroyAllWindows()

结果如下：
- 原图
- sobel算子（左）和Scharr算子（右）结果图
- Laplacian算子（左）和Canny算子（右）结果图
由结果可以看出四个算子中，Canny算子边缘检测的结果是最好的