Python-OpenCV 10. 图像边缘算法

一、介绍

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。

二、几种边缘检测算法

1. 欧氏距离算法

将当前像素与邻接的下部和右部的像素进行比较，如果相似，则将当前像素设置为白色，否则设置为黑色。

判定像素是否相似，使用欧氏距离算法，将一个像素的三个色彩分量映射在三维空间中，如果2个像素点的欧氏距离小于某个常数的阈值，就认为它们相似。

# -*- coding: utf-8 -*-import cv2import numpy as npimport matplotlib.pyplot as pltfn = 'test.jpg'def get_EuclideanDistance(x, y): myx = np.array(x) myy = np.array(y) return np.sqrt(np.sum((myx - myy) * (myx - myy)))if __name__ == '__main__': print('loading %s ...' % fn) print('working', ) myimg1 = cv2.imread(fn) w = myimg1.shape[1] h = myimg1.shape[0] sz1 = w sz0 = h # 创建空白图像 myimg2 = np.zeros((sz0, sz1, 3), np.uint8) # 对比产生线条 black = np.array([0, 0, 0]) white = np.array([255, 255, 255]) centercolor = np.array([125, 125, 125]) for y in range(0, sz0 - 1): for x in range(0, sz1 - 1): mydown = myimg1[y + 1, x, :] myright = myimg1[y, x + 1, :] myhere = myimg1[y, x, :] lmyhere = myhere lmyright = myright lmydown = mydown if get_EuclideanDistance(lmyhere, lmydown) > 16 and get_EuclideanDistance(lmyhere, lmyright) > 16: myimg2[y, x, :] = black elif get_EuclideanDistance(lmyhere, lmydown) <= 16 and get_EuclideanDistance(lmyhere, lmyright) <= 16: myimg2[y, x, :] = white else: myimg1[y, x, :] = centercolor print('.', ) plt.subplot(1, 2, 1), plt.title('original') plt.imshow(myimg1) plt.subplot(1, 2, 2), plt.title('gaussian') plt.imshow(myimg2) plt.show()

2. Laplacian

Laplacian 算子是n维欧几里德空间中的一个二阶微分算子，定义为梯度grad的散度div。可使用运算模板来运算这定理定律。

Laplacian 算子对噪声比较敏感，所以图像一般先经过平滑处理，因为平滑处理也是用模板进行的，所以，通常的分割算法都是把Laplacian 算子和平滑算子结合起来生成一个新的模板。

OpenCV2的Lapacian算法函数：

cv2.Laplacian(src,ddepth[, dst[, ksize[, scale[, delta[, borderType]]]]]) -> dst

代码

# -*- coding: utf-8 -*-# coding=utf-8import cv2fn = 'test.jpg'myimg = cv2.imread(fn)img = cv2.cvtColor(myimg, cv2.COLOR_BGR2GRAY)img_small = cv2.resize(img, (500, 300), interpolation=cv2.INTER_CUBIC)jpimg = cv2.Laplacian(img_small, -1)cv2.imshow('src', img_small)cv2.imshow('dst', jpimg)cv2.waitKey()cv2.destroyAllWindows()

3. sobel 非线性滤波

sobel非线性滤波采用梯度模的近似方式提取边缘,锐化图像,可以分别计算水平和垂直方向上的灰阶突变。

# -*- coding: utf-8 -*-# coding=utf-8# 线性锐化滤波，拉普拉斯图像变换import cv2import numpy as np fn = 'test.jpg'myimg = cv2.imread(fn)img=cv2.cvtColor(myimg,cv2.COLOR_BGR2GRAY)img_small=cv2.resize(img,(500,300),interpolation=cv2.INTER_CUBIC)jpimg = cv2.Sobel(img_small, 0, 1, 1,)cv2.imshow('src',img_small)cv2.imshow('dst',jpimg)cv2.waitKey()cv2.destroyAllWindows()

import cv2from matplotlib import pyplot as pltimg = cv2.imread('test.jpg', 0)# 读取图像，0为灰度图像，1为彩色图像x = cv2.Sobel(img, cv2.CV_16S, 1, 0)y = cv2.Sobel(img, cv2.CV_16S, 0, 1)absX = cv2.convertScaleAbs(x)absY = cv2.convertScaleAbs(y) # 转回uint8dst = cv2.addWeighted(absX, 0.5, absY, 0.5, 0)plt.subplot(221), plt.imshow(img, 'gray')plt.subplot(222), plt.imshow(absX, 'gray')plt.subplot(223), plt.imshow(absY, 'gray')plt.subplot(224), plt.imshow(dst, 'gray')plt.show()

4. Canny边缘检测

Canny边缘检测可以相对有效的连接断裂的边缘，需要指定一个最大最小灰阶值组成区间，结果生成的是二值图像。

cv2.Canny(image, threshold1, threshold2[, edges[, apertureSize[, L2gradient]]])

mage:输入图像

threshold1和threshold2：minVal和maxVal

apertureSize：用于查找图像渐变的Sobel内核的大小，3（默认）

L2gradient：指定用于查找梯度幅度的等式，如果它是True，它使用上面提到的更准确的等式，否则它=False（默认）使用：

Edge_Gradient(G)=|Gx|+|Gy|

import cv2from matplotlib import pyplot as pltimg = cv2.imread('test.jpg', 0)edges = cv2.Canny(img, 100, 200)plt.subplot(121), plt.imshow(img, cmap='gray')plt.title('Original Image'), plt.xticks([]), plt.yticks([])plt.subplot(122), plt.imshow(edges, cmap='gray')plt.title('Edge Image'), plt.xticks([]), plt.yticks([])plt.show()

三、OpenCV 轮廓检测函数

1. findContours drawContours

OpenCV-Python接口中使用cv2.findContours()函数来查找检测物体的轮廓。

import cv2img = cv2.imread('test.jpg')gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)ret, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)cv2.drawContours(img, contours, -1, (0, 0, 255), 3)cv2.imshow('img', img)cv2.waitKey(0)

需要注意的是cv2.findContours()函数接受的参数为二值图，即黑白的（不是灰度图），所以读取的图像要先转成灰度的，再转成二值图。