python numpy 边缘扩展 python 边缘检测

文章目录

• 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

• 一、边缘检测的原理

• 1、基于搜索
• 2、基于零穿越

• 二、Sobel检测算子

• 1、原理及方法论述
• 2、应用

• 三、Laplacian算子
• 四、canny边缘检测

• 1、Canny算法的原理
• 2、应用

• 总结：

• 1、边缘检测的原理

• （1）基于搜索
• （2）基于零穿越

• 2、Sobel算子【实际应用】

• （1）基于搜索的方法获取边界
• （2）cv2.Sobel()
• （3）cv2.convertScaleAbs()
• （4）cv2.addWeighted()

• 3、Laplacian算子

• （1）基于零穿越获取边界
• （2）cv2.Laplacian()

• 4、Canny算法

• （1）噪声去除（高斯滤波）
• （2）计算图像梯度（Sobel算子）
• （3）非极大值抑制：判断像素是否为边界点
• （4）滞后阈值：设置两个阈值，确定最终边界

• 5、各个传统算子之间的比较

• 边缘检测常常被当做硕士课题或者公司面试题，因此是非常重要的，在本章将会对几种常见的边缘检测算子进行介绍。

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

一、边缘检测的原理

边缘检测是图像处理和计算机视觉的基本问题，其目的是表示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。边缘检测的表现形式如下图所示：

图像边缘检测大幅度减少了数据量，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，它们绝大部分可以被划分为两类：基于搜索、基于零穿越

1、基于搜索

通过寻找图像的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，代表算法有Sobel算子和Scharr算子。

（1）图像一阶导数的最大值 -->
.
（2）边缘的局部方向（一般梯度方向） -->
.
（3）局部梯度模的最大值

2、基于零穿越

通过寻找图像二阶导数零穿越来寻找边界，代表算子是laplacian算子。

零点是指函数与y轴的交点。

二、Sobel检测算子

Sobel边缘检测算法比较简单，实际应用中效率要比canny边缘检测效果高。但是边缘不如canny检测的准确，但是与很多实际应用的场合，Sobel算子是首选。
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，而对细节纹理不太关心的时候。

1、原理及方法论述

对于不连续的函数，一阶导数可以写作：

或者

所以有：

假设要处理的图像为I，在两个方向求导

• 水平变化：将图像I与期数大小的模板进行卷积，结果是Gx，比如，当模板大小为3时，Gx为：
• 垂直变化：将图像I与技术大小的模板进行卷积，结果为Gy。比如，当模板大小为3时，Gy为：
  
  在图像的每一点，结合以上两个结果求出：
  
  统计极大值所在的位置，就是图像的边缘。
  **注意：**当内核大小为3时, 以上Sobel内核可能产生比较明显的误差， 为解决这一问题，我们使用Scharr函数，但该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，但结果却更加精确，其计算方法为:

2、应用

利用OpenCV进行Sobel边缘检测的API是：

Sobel_x_or_y = 
cv2.Sobel(src, ddepth, dx, dy, dst, ksize, scale, delta, borderType)

参数：

• src：传入的图像
• ddepth: 图像的深度
• dx和dy: 指求导的阶数，0表示这个方向上没有求导，取值为0、1。
• ksize: 是Sobel算子的大小，即卷积核的大小，必须为奇数1、3、5、7，默认为3。
• 注意：如果ksize=-1，就演变成为3x3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。

Sobel函数求完导数后会有负值，还会有大于255的值。而原图像是uint8，即8为无符号数，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类型，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

Scale_abs = cv2.convertScaleAbs(x)  # 格式转换函数
result = cv2.addWeighted(src1, alpha, src2, beta) # 图像混合

代码示例：

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
# 1 读取图像
img = cv.imread('./image/horse.jpg',0)
# 2 计算Sobel卷积结果
x = cv.Sobel(img, cv.CV_16S, 1, 0)
y = cv.Sobel(img, cv.CV_16S, 0, 1)
# 3 将数据进行转换
Scale_absX = cv.convertScaleAbs(x)  # convert 转换  scale 缩放
Scale_absY = cv.convertScaleAbs(y)
# 4 结果合成
result = cv.addWeighted(Scale_absX, 0.5, Scale_absY, 0.5, 0)
# 5 图像显示
plt.figure(figsize=(10,8),dpi=100)
plt.subplot(121),plt.imshow(img,cmap=plt.cm.gray),plt.title('原图')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(result,cmap = plt.cm.gray),plt.title('Sobel滤波后结果')
plt.xticks([]), plt.yticks([])
plt.show()

将上述代码中计算Sobel算子部分的ksize设为-1，就是利用scharr进行边缘检测。

x = cv2.Sobel(img, cv2.CV_16S, 1, 0, ksize=-1)
y = cv2.Sobel(img, cv2.CV_16S, 0, 1, ksize=-1)

可以看出，使用Scharr算子，检测效果要比Sobel算子稍微好一点。

三、Laplacian算子

Laplacian检测方法利用二阶导数来检测边缘。因为图像是“2维”，因此我们需要在两个方向求导，如下式所示：

那么不连续的二阶导数是：

那么使用的卷积核是：

API:

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

参数：

• Src：图像
• Ddepth：图像深度，-1表示采用的是原图像相同深度，目标图像的深度必须大于等于原图像的深度；
• ksize：算子的大小，即卷积核的大小，必须是1,3，5,7

代码示例：

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
# 1 读取图像
img = cv.imread('./image/horse.jpg',0)
# 2 laplacian转换
result = cv.Laplacian(img,cv.CV_16S)
Scale_abs = cv.convertScaleAbs(result)
# 3 图像展示
plt.figure(figsize=(10,8),dpi=100)
plt.subplot(121),plt.imshow(img,cmap=plt.cm.gray),plt.title('原图')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(Scale_abs,cmap = plt.cm.gray),plt.title('Laplacian检测后结果')
plt.xticks([]), plt.yticks([])
plt.show()

四、canny边缘检测

canny边缘检测算法是一种非常流行的边缘检测算法，是John F.Canny与1986年提出的，被认为是最优秀的边缘检测算法。

1、Canny算法的原理

Canny边缘检测算法由4步构成，分别介绍如下：

• 噪声去除

由于边缘检测很容易受到噪声干扰，因此首先使用高斯滤波器去除噪声。（高斯滤波在图像平滑中提到过，可以往前翻阅）

• 计算图像梯度

对平滑后的图像使用Sobel算子计算水平方向和垂直方向的一阶导数（Gx和Gy）。根据得到的这两幅梯度图（Gx和Gy）找到边界的梯度和方向，公式如下：

如果某个像素点是边缘，则其梯度方向总是和边缘方向垂直。梯度方向被归为四类：垂直、水平，和两个对角线方向。

• 非极大值抑制

在获得梯度方向和大小后，对整幅图像进行扫描，去除那些非边界上的点。对每个像素进行检查，看这个点的梯度是不是周围具有相同梯度方向的点中最大的。如下图所示：

A点位于图像的边缘，在其梯度变化方向，选择像素点B和C，用来检验A点的梯度是否为极大值，若为极大值，则进行保留，否则A点被抑制，最终的结果是具有“细边”的二进制图像。

• 滞后阈值

现在要确定真正的边界。 我们设置两个阈值： minVal 和 maxVal。 当图像的灰度梯度高于 maxVal 时被认为是真的边界， 低于 minVal 的边界会被抛弃。如果介于两者之间的话，就要看这个点是否与某个被确定为真正的边界点相连，如果是就认为它也是边界点，如果不是就抛弃。如下图：

如上图所示，A 高于阈值 maxVal 所以是真正的边界点，C 虽然低于 maxVal 但高于 minVal 并且与 A 相连，所以也被认为是真正的边界点。而 B 就会被抛弃，因为低于 maxVal 而且不与真正的边界点相连。所以选择合适的 maxVal 和 minVal 对于能否得到好的结果非常重要。

2、应用

在opencv中药实现canny检测使用的API：

canny = cv2.Canny(image, threshold1, threshold2)

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
  代码示例：

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
# 1 图像读取
img = cv.imread('./image/horse.jpg',0)
# 2 Canny边缘检测
lowThreshold = 0
max_lowThreshold = 100
canny = cv.Canny(img, lowThreshold, max_lowThreshold) 
# 3 图像展示
plt.figure(figsize=(10,8),dpi=100)
plt.subplot(121),plt.imshow(img,cmap=plt.cm.gray),plt.title('原图')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(canny,cmap = plt.cm.gray),plt.title('Canny检测后结果')
plt.xticks([]), plt.yticks([])
plt.show()

总结：

1、边缘检测的原理

（1）基于搜索

（2）基于零穿越

2、Sobel算子【实际应用】

（1）基于搜索的方法获取边界

（2）cv2.Sobel()

（3）cv2.convertScaleAbs()

（4）cv2.addWeighted()

3、Laplacian算子

（1）基于零穿越获取边界

（2）cv2.Laplacian()

4、Canny算法

（1）噪声去除（高斯滤波）

（2）计算图像梯度（Sobel算子）

（3）非极大值抑制：判断像素是否为边界点

（4）滞后阈值：设置两个阈值，确定最终边界

5、各个传统算子之间的比较

• 变强之路任重道远，加油加油！！！