Python OpenCV實現(xiàn)邊緣檢測

第PythonOpenCV實現(xiàn)邊緣檢測本文實例為大家分享了PythonOpenCV實現(xiàn)邊緣檢測的具體代碼，供大家參考，具體內(nèi)容如下

1.Sobel算子檢測

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

對于不連續(xù)的函數(shù)，有：

假設(shè)要處理的圖像為I，在兩個方向求導(dǎo)。

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

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

在圖像的每個點，結(jié)合以上兩個結(jié)果，得到：

極大值的位置是圖像的邊緣。

當(dāng)核大小為3時，上述Sobel核可能會產(chǎn)生更明顯的誤差。為了解決這個問題，可以使用Scharr函數(shù)。這個函數(shù)只對大小為3的核有效，運算速度和Sobel函數(shù)一樣快，但是結(jié)果更準(zhǔn)確。計算方法為：

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表示這個方向上沒有求導(dǎo)，取值為0、1。

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

2.Laplacian算子檢測

Laplacian使用二階導(dǎo)數(shù)來檢測邊緣。因為圖像是二維的，所以我們需要從兩個方向求導(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，對返回值調(diào)用cv.convertScaleAbs(res)即可獲得邊緣圖像。

3.Canny邊緣檢測

Canny邊緣檢測算法由4個步驟組成。

1）去噪。由于邊緣檢測容易受噪聲影響，首先使用5*5高斯濾波器去除噪聲。

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

如果一個像素是一個邊緣，它的梯度方向總是垂直于邊緣。梯度方向分為四類：垂直方向、水平方向和兩個對角線方向。

3）非極大值抑制。得到梯度的方向和大小后，掃描整個圖像去除那些非邊界點。檢查每個像素點，看這個點的梯度是否在周圍具有相同梯度方向的點中最大。

A點位于圖像的邊緣。在其梯度變化的方向，選擇像素B和C，檢查A點的梯度是否為極大值。如果是極大值，則保留，否則A點將被抑制，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)在來確定真正的邊界。我們設(shè)置了兩個閾值：minVal和maxVal。當(dāng)圖像的灰度梯度高于maxVal時，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，則取決于該點是否連接到確定為真的邊界點。如果是，則認(rèn)為是邊界點，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，maxVal較大的閾值檢測圖像中明顯的邊緣。如下圖：

A高于閾值maxVal，因此它是真正的邊界點。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。B會被丟棄，因為它低于maxVal，并且沒有連接到真正的邊界點。所以，選擇合適的maxVal和minVal對于獲得好的結(jié)果非常重要。

cv.Canny(image,threshold1,threshold2)

參數(shù)：

image灰度圖

threshold1minval，較小的閾值

threshold2maxval，較大的閾值

例：使用Sobel、Laplacian、Canny算法檢測下面圖像的邊緣。

importmatplotlib

importcv2ascv

importmatplotlib.pyplotasplt

font={

"family":"MicrosoftYaHei"

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=