Python OpenCV實(shí)現(xiàn)邊緣檢測(cè)

本文實(shí)例為大家分享了Python OpenCV實(shí)現(xiàn)邊緣檢測(cè)的具體代碼，供大家參考，具體內(nèi)容如下

1. Sobel 算子檢測(cè)

Sobel 算子是高斯平滑和微分運(yùn)算的組合，抗噪能力很強(qiáng)，用途也很多，尤其是效率要求高但對(duì)細(xì)紋理不是很在意的時(shí)候。

對(duì)于不連續(xù)的函數(shù)，有：

假設(shè)要處理的圖像為I，在兩個(gè)方向求導(dǎo)。

水平變化：用奇數(shù)大小的模板對(duì)圖像I卷積，結(jié)果為Gx。例如，當(dāng)模板大小為3時(shí)，Gx為： 

垂直變化：用奇數(shù)大小的模板對(duì)圖像I卷積，結(jié)果為Gy。例如，當(dāng)模板大小為3時(shí)，Gy為：

在圖像的每個(gè)點(diǎn)，結(jié)合以上兩個(gè)結(jié)果，得到： 

極大值的位置是圖像的邊緣。

當(dāng)核大小為3時(shí)，上述Sobel核可能會(huì)產(chǎn)生更明顯的誤差。 為了解決這個(gè)問(wèn)題，可以使用 Scharr 函數(shù)。這個(gè)函數(shù)只對(duì)大小為 3 的核有效，運(yùn)算速度和 Sobel 函數(shù)一樣快，但是結(jié)果更準(zhǔn)確。 計(jì)算方法為：

cv.Sobel(src, ddepth, dx, dy, dst, ksize, scale, delta, borderType)
參數(shù)：
src 傳入的圖像
ddepth 圖像的深度
dx、dy 指求導(dǎo)的階數(shù)，0表示這個(gè)方向上沒(méi)有求導(dǎo)，取值為0、1。
ksize Sobel算子的大小，即卷積核的大小，必須為奇數(shù)1、3、5、7，默認(rèn)為3。-1代表3x3的Scharr算子。
scale 縮放導(dǎo)數(shù)的比例常數(shù)，默認(rèn)情況為沒(méi)有伸縮系數(shù)。
borderType 圖像邊界的模式，默認(rèn)值為cv.BORDER_DEFAULT。

需要對(duì)x和y兩個(gè)方向都調(diào)用一次cv.Sobel()函數(shù)。然后，對(duì)每個(gè)方向調(diào)用cv.convertScaleAbs()函數(shù)將其轉(zhuǎn)回uint8格式，再調(diào)用cv2.addWeighted()函數(shù)將兩個(gè)方向組合起來(lái)。

2. Laplacian 算子檢測(cè)

Laplacian 使用二階導(dǎo)數(shù)來(lái)檢測(cè)邊緣。 因?yàn)閳D像是二維的，所以我們需要從兩個(gè)方向求導(dǎo)：

不連續(xù)函數(shù)的二階導(dǎo)數(shù)是：

使用的卷積核是：

cv.Laplacian(src, ddepth, ksize)
參數(shù)：
src 需要處理的圖像
ddepth 圖像的深度，-1表示采用的是原圖像相同的深度，目標(biāo)圖像的深度必須大于等于原圖像的深度
ksize 算子的大小，即卷積核的大小，必須為1、3、5、7。

然后，對(duì)返回值調(diào)用cv.convertScaleAbs(res)即可獲得邊緣圖像。

3.  Canny 邊緣檢測(cè)

Canny 邊緣檢測(cè)算法由4個(gè)步驟組成。

1）去噪。由于邊緣檢測(cè)容易受噪聲影響，首先使用5*5高斯濾波器去除噪聲。

2）計(jì)算圖像梯度。在平滑圖像上使用 Sobel 算子計(jì)算水平和垂直方向的一階導(dǎo)數(shù)（Gx 和 Gy）。 根據(jù)得到的兩個(gè)梯度圖（Gx和Gy）求出邊界的梯度和方向，公式如下：

如果一個(gè)像素是一個(gè)邊緣，它的梯度方向總是垂直于邊緣。 梯度方向分為四類(lèi)：垂直方向、水平方向和兩個(gè)對(duì)角線(xiàn)方向。

3）非極大值抑制。得到梯度的方向和大小后，掃描整個(gè)圖像去除那些非邊界點(diǎn)。 檢查每個(gè)像素點(diǎn)，看這個(gè)點(diǎn)的梯度是否在周?chē)哂邢嗤荻确较虻狞c(diǎn)中最大。

A點(diǎn)位于圖像的邊緣。在其梯度變化的方向，選擇像素B和C，檢查A點(diǎn)的梯度是否為極大值。 如果是極大值，則保留，否則A點(diǎn)將被抑制，最后得到的結(jié)果是邊緣細(xì)的二值圖像。

4）滯后閾值?，F(xiàn)在來(lái)確定真正的邊界。我們?cè)O(shè)置了兩個(gè)閾值：minVal 和 maxVal。 當(dāng)圖像的灰度梯度高于 maxVal 時(shí)，認(rèn)為是真正的邊界，低于minVal 的邊界將被丟棄。 如果介于兩者之間，則取決于該點(diǎn)是否連接到確定為真的邊界點(diǎn)。 如果是，則認(rèn)為是邊界點(diǎn)，如果不是，則將其丟棄。 minVal 較小的閾值將間斷的邊緣連接起來(lái)，maxVal 較大的閾值檢測(cè)圖像中明顯的邊緣。如下圖： 

A 高于閾值 maxVal，因此它是真正的邊界點(diǎn)。雖然 C 低于 maxVal 但高于 minVal 并與 A 相連，所以它也被視為真正的邊界點(diǎn)。 B 會(huì)被丟棄，因?yàn)樗陀?maxVal ，并且沒(méi)有連接到真正的邊界點(diǎn)。 所以，選擇合適的 maxVal 和 minVal 對(duì)于獲得好的結(jié)果非常重要。

cv.Canny(image, threshold1, threshold2)
參數(shù)：
image 灰度圖
threshold1 minval，較小的閾值
threshold2 maxval，較大的閾值

例：使用Sobel、Laplacian、Canny算法檢測(cè)下面圖像的邊緣。

import matplotlib
import cv2 as cv
import matplotlib.pyplot as plt
 
font = {
    "family": "Microsoft YaHei"
}
matplotlib.rc("font", **font)
 
img = cv.imread("./image/horse.jpg", 0)
 
# Sobel
x = cv.Sobel(img, cv.CV_16S, 1, 0)
y = cv.Sobel(img, cv.CV_16S, 0, 1)
absx = cv.convertScaleAbs(x)
absy = cv.convertScaleAbs(y)
res = cv.addWeighted(absx, 0.5, absy, 0.5, 0)
plt.imshow(res, cmap=plt.cm.gray)
plt.title("Sobel")
plt.show()
 
# Schaar
x = cv.Sobel(img, cv.CV_16S, 1, 0, ksize=-1)
y = cv.Sobel(img, cv.CV_16S, 0, 1, ksize=-1)
absx = cv.convertScaleAbs(x)
absy = cv.convertScaleAbs(y)
res = cv.addWeighted(absx, 0.5, absy, 0.5, 0)
plt.imshow(res, cmap=plt.cm.gray)
plt.title("Schaar")
plt.show()
 
# Laplacian
res = cv.Laplacian(img, cv.CV_16S)
res = cv.convertScaleAbs(res)
plt.imshow(res, cmap=plt.cm.gray)
plt.title("Laplacian")
plt.show()
 
# Canny
res = cv.Canny(img, 0, 100)
plt.imshow(res, cmap=plt.cm.gray)
plt.title("Canny")
plt.show()

輸出：

以上就是本文的全部?jī)?nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。