计算机视觉-边缘检测实验报告

实验一 边缘检测实验

一、实验目的

1.理解并掌握 Sobel 算子和 Canny 算子的基本原理和应用。

2.学习如何在图像处理中使用这两种算子进行边缘检测。

3.比较 Sobel 算子和 Canny 算子的性能,了解各自的优缺点。

4.学会使用图像处理工具或编程语言实现 Sobel 和 Canny 算子。

二、实验内容和要求

1.实验内容:

选择图像数据:从现有的图像数据集中选择适当的图像作为实验对象,确保图像包含明显的边缘结构以便进行边缘检测。

Sobel 边缘检测:使用 Sobel 算子对选定的图像进行边缘检测。这包括计算图像的水平和垂直方向的梯度,并计算梯度幅值,最终得到边缘检测结果。

Canny 边缘检测:使用 Canny 算子对同样的图像进行边缘检测。Canny 算子包括多个步骤,如高斯滤波、梯度计算、非极大值抑制和双阈值化,最终得到边缘检测结果。

2.基本要求:

(1)选择一组图像数据作为实验对象。

(2)使用 Sobel 算子对图像进行边缘检测,并记录结果。

(3)使用 Canny 算子对图像进行边缘检测,并记录结果。

(4)比较两种方法的边缘检测效果,分析其差异。

三、实验设备

实验设备主要有:计算机、OpenCV库

四、实验 原理

边缘检测是图像处理和机器视觉中的基本问题,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。边缘的表现形式如下图所示:

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:基于搜索和基于零穿越。

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,通常采用梯度的方向,并利用此方向找到局部梯度模的最大值,代表算法是Sobel算子。

基于零穿越:通过寻找图像二阶导数零穿越来寻找边界,代表算法是Canny算子。

五、实验步骤

Sobel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,而对细纹理不太关心的时候。

代码:

python 复制代码
import cv2
import numpy as np
import matplotlib.pyplot as plt

def Sobel_demo():
    img = cv2.imread("C:\\Users\\aslon\\Desktop\\louna.jpg")
    img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
    grayImage = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    # Sobel算子
    x = cv2.Sobel(grayImage, cv2.CV_16S, 1, 0)
    y = cv2.Sobel(grayImage, cv2.CV_16S, 0, 1)
    # 转成uint8
    absX = cv2.convertScaleAbs(x)
    absY = cv2.convertScaleAbs(y)
    Sobel = cv2.addWeighted(absX, 0.5, absY, 0.5, 0)
    # 显示图形
    titles = ["Original Image", "Sobel Image"]
    images = [img, Sobel]
    for i in range(2):
        plt.subplot(1, 2, i+1)
        plt.imshow(images[i], "gray")
        plt.title(titles[i])
        plt.axis('off')
    plt.show()
    
Sobel_demo()
原图及代码执行结果:

Canny边缘检测

Canny 算子是一种更为复杂的边缘检测算法,它具有以下优点:

低错误率:能够尽可能少地检测出虚假边缘,同时尽可能多地检测出真实边缘。高定位精度:检测到的边缘位置准确。最小响应:对单个边缘仅有一个响应。

步骤:1、读取图像并将其转换为灰度图像。2、对灰度图像进行高斯模糊,以减少噪声。3、使用 Canny 算子检测边缘。

代码:

python 复制代码
def Canny_demo():
    img = cv2.imread("C:\\Users\\aslon\\Desktop\\louna.jpg")
    img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    # 高斯滤波
    img_GaussianBlur = cv2.GaussianBlur(gray, (3,3), 0)
    # Canny算子
    Canny = cv2.Canny(img_GaussianBlur, 0, 100)
    # 显示图形
    titles = ["Original Image", "Canny Image"]
    images = [img, Canny]
    for i in range(2):
        plt.subplot(1, 2, i+1)
        plt.imshow(images[i], "gray")
        plt.title(titles[i])
        plt.axis('off')
    plt.show()

Canny_demo()
原图及 代码执行结果:

、实验 总结

Canny算子与Sobel算子的差异对比:

Canny 算子:具有较高的检测精度,能够检测出更细、更准确的边缘,对弱边缘的检测也相对较好。抗噪性较强,在进行边缘检测之前会先进行高斯滤波等降噪处理,减少噪声对边缘检测的影响。

Sobel 算子:检测精度相对较低,边缘可能比较粗糙,对于一些弱边缘可能无法准确检测。Sobel 算子:抗噪性较弱,对噪声比较敏感,容易将噪声误检测为边缘。

相关推荐
XIE39242 分钟前
Browser-use使用教程
python
酷爱码2 小时前
如何通过python连接hive,并对里面的表进行增删改查操作
开发语言·hive·python
蹦蹦跳跳真可爱5892 小时前
Python----深度学习(基于深度学习Pytroch簇分类,圆环分类,月牙分类)
人工智能·pytorch·python·深度学习·分类
蚂蚁20143 小时前
卷积神经网络(二)
人工智能·计算机视觉
ShiinaMashirol4 小时前
代码随想录打卡|Day27(合并区间、单调递增的数字、监控二叉树)
java·算法
MinggeQingchun5 小时前
Python - 爬虫-网页解析数据-库lxml(支持XPath)
爬虫·python·xpath·lxml
z_mazin5 小时前
反爬虫机制中的验证码识别:类型、技术难点与应对策略
人工智能·计算机视觉·目标跟踪
lixy5796 小时前
深度学习3.7 softmax回归的简洁实现
人工智能·深度学习·回归
Python自动化办公社区6 小时前
Python 3.14:探索新版本的魅力与革新
开发语言·python
youhebuke2256 小时前
利用deepseek快速生成甘特图
人工智能·甘特图·deepseek