第十节图像处理之边缘检测.docx-资料库

efafae57-c3a1-4a1a-8c2b-8847755123a8.docx.pdf-第1页.png

第1页 / 共6页

efafae57-c3a1-4a1a-8c2b-8847755123a8.docx.pdf-第2页.png

第2页 / 共6页

efafae57-c3a1-4a1a-8c2b-8847755123a8.docx.pdf-第3页.png

第3页 / 共6页

efafae57-c3a1-4a1a-8c2b-8847755123a8.docx.pdf-第4页.png

第4页 / 共6页

efafae57-c3a1-4a1a-8c2b-8847755123a8.docx.pdf-第5页.png

第5页 / 共6页

efafae57-c3a1-4a1a-8c2b-8847755123a8.docx.pdf-第6页.png

第6页 / 共6页

#图像梯度 (注意都需要 cv.convertScaleAbs 将得到的有些负值取绝对值得到正数，并将数据转化到 0-255 之间，且 sobel 与 Scarr 算法中的数据位数都是 32 位浮点型的) import cv2 as cv import numpy as np def sobel_demo(image): #注意是 32 位 float 数据 grad_x = cv.Scharr(image, cv.CV_32F, 1, 0) grad_y = cv.Scharr(image, cv.CV_32F, 0, 1) #当用 sobel 算子不能很好的得到边缘的时候，就可以用 Scharr 算子，这是加强版的 sobel 算子，就可以得到 #原图像不是很明显的边缘了 # grad_x =cv.Sobel(image,cv.CV_32F,1,0) # grad_y =cv.Sobel(image,cv.CV_32F,0,1) gradx =cv.convertScaleAbs(grad_x) grady = cv.convertScaleAbs(grad_y) #cv.imshow("gradx",gradx) #cv.imshow("grady",grady) dst = cv.addWeighted(gradx,0.5,grady,0.5,0) cv.imshow("sobel_demo",dst)

def lapalace_demo(image): #dst =cv.Laplacian(image,cv.CV_32F) #dst =cv.convertScaleAbs(dst) 会把 dst 变成单通道的 8 位的 0-255 的图像 #也可以用 filter2D 来做拉普拉斯算子 kernel = np.array([[0,-1,0],[-1,4,-1],[0,-1,0]]) dst = cv.filter2D(image,cv.CV_32F,kernel) dst = cv.convertScaleAbs(dst) cv.imshow("lapalace",dst) src = cv.imread("E:/opencv/picture/step.jpg") cv.imshow("inital_window",src) #sobel_demo(src) lapalace_demo(src) cv.waitKey(0) cv.destroyAllWindows() 分析：图像梯度可以把图像看成二维离散函数，图像梯度其实就是这个二维离散函数的求导。一、 Sobel 算子是普通一阶差分，是基于寻找梯度强度。拉普拉斯算子（二阶差分）是基于过零点检测。通过计算梯度，设置阀值，得到边缘图像。

def sobel_demo(image): #注意是 32 位 float 数据 grad_x = cv.Scharr(image, cv.CV_32F, 1, 0) grad_y = cv.Scharr(image, cv.CV_32F, 0, 1) #当用 sobel 算子不能很好的得到边缘的时候，就可以用 Scharr 算子，这是加强版的 sobel 算子，就可以得到 #原图像不是很明显的边缘了 # grad_x =cv.Sobel(image,cv.CV_32F,1,0) # grad_y =cv.Sobel(image,cv.CV_32F,0,1) gradx = cv.convertScaleAbs(grad_x) grady = cv.convertScaleAbs(grad_y) #cv.imshow("gradx",gradx) #cv.imshow("grady",grady) dst = cv.addWeighted(gradx,0.5,grady,0.5,0) cv.imshow("sobel_demo",dst) 1.Sobel 算子用来计算图像灰度函数的近似梯度。Sobel 算子根据像素点上下、左右邻点灰度加权差，在边缘处达到极值这一现象检测边缘。对噪声具有平滑作用，提供较为精确的边缘方向信息，边缘定位精度不够高。当对精度要求不是很高时，是一种较为常用的边缘检测方法。 2.Sobel 具有平滑和微分的功效。即：Sobel 算子先将图像横向或纵向平滑，然后再纵向或横向差分，得到的结果是平滑后的差分结果。 OpenCV 的 Sobel 函数原型为：Sobel(src, ddepth, dx, dy[, dst[, ksize[, scale[, delta[, borderType]]]]]) -> dst 注：一般就设置 src,ddepth = cv.CV_32F,dx,dy（对 x 方求梯度就是 1,0 对 y 方向求梯度就是 0,1）

src 参数表示输入需要处理的图像。 ddepth 参数表示输出图像深度，针对不同的输入图像，输出目标图像有不同的深度。具体组合如下： src.depth() = CV_8U, 取 ddepth =-1/CV_16S/CV_32F/CV_64F （一般源图像都为 CV_8U，为了避免溢出，一般 ddepth 参数选择 CV_32F） src.depth() = CV_16U/CV_16S, 取 ddepth =-1/CV_32F/CV_64F src.depth() = CV_32F, 取 ddepth =-1/CV_32F/CV_64F src.depth() = CV_64F, 取 ddepth = -1/CV_64F 注：ddepth =-1 时，代表输出图像与输入图像相同的深度。 dx 参数表示 x 方向上的差分阶数，1 或 0 。 dy 参数表示 y 方向上的差分阶数，1 或 0 。 dst 参数表示输出与 src 相同大小和相同通道数的图像。 ksize 参数表示 Sobel 算子的大小，必须为 1、3、5、7。 scale 参数表示缩放导数的比例常数，默认情况下没有伸缩系数。 delta 参数表示一个可选的增量，将会加到最终的 dst 中，同样，默认情况下没有额外的值加到 dst 中。 borderType 表示判断图像边界的模式。这个参数默认值为 cv2.BORDER_DEFAULT。 2.OpenCV 的 convertScaleAbs 函数使用线性变换转换输入数组元素成 8 位无符号整型。函数原型：convertScaleAbs(src[, dst[, alpha[, beta]]]) -> dst src 参数表示原数组。 dst 参数表示输出数组 (深度为 8u)。 alpha 参数表示比例因子。 beta 参数表示原数组元素按比例缩放后添加的值。 3.OpenCV 的 addWeighted 函数是计算两个数组的加权和。函数原型： addWeighted(src1, alpha, src2, beta, gamma[, dst[, dtype]]) -> dst 用于将 x，y 方向的梯度合成。二、Scharr 算子当用 sobel 算子发现得到的边缘信息不明显的时候，就可以用 Scharr 算子了。该算子是 sobel 算子的加强版，用法也和 sobel 算子一样，效果更加突出。 Scharr 算子也是计算 x 或 y 方向上的图像差分。OpenCV 的 Scharr 函数原型为： Scharr(src, ddepth, dx, dy[, dst[, scale[, delta[, borderType]]]]) -> dst 参数和 Sobel 算子的几乎差不多，意思也一样，只是没有 ksize 大小。

三、拉普拉斯算子 1.拉普拉斯算子（Laplace Operator）是 n 维欧几里德空间中的一个二阶微分算子，定义为梯度（▽f）的散度（▽·f）。 2.OpenCV 的 Laplacian 函数原型为：Laplacian(src, ddepth[, dst[, ksize[, scale[, delta[, borderType]]]]]) -> dst src 参数表示输入需要处理的图像。 ddepth 参数表示输出图像深度，针对不同的输入图像，输出目标图像有不同的深度。具体组合如下： src.depth() = CV_8U, 取 ddepth =-1/CV_16S/CV_32F/CV_64F （一般源图像都为 CV_8U，为了避免溢出，一般 ddepth 参数选择 CV_32F）注：当然我们也可以 cv.filter2D 命令来 make 一个拉普拉斯算子： kernel = np.array([[0,-1,0],[-1,4,-1],[0,-1,0]]) dst = cv.filter2D(image,cv.CV_32F,kernel) dst = cv.convertScaleAbs(dst) cv.imshow("lapalace",dst) Canny 算法 canny 的目标是找到一个最优的边缘检测算法，最优边缘检测的含义是：好的检测- 算法能够尽可能多地标识出图像中的实际边缘。好的定位- 标识出的边缘要尽可能与实际图像中的实际边缘尽可能接近。最小响应- 图像中的边缘只能标识一次，并且可能存在的图像噪声不应标识为边缘。 3.算法步骤： ①高斯模糊 - GaussianBlur ②灰度转换 - cvtColor ③计算梯度 – Sobel/Scharr

④非最大信号抑制 ⑤高低阈值输出二值图像 #canny 算法常用步骤： #高斯模糊：因为 canny 对噪声很敏感，注意核 size 别太大 #源图像灰度化 #canny 算法：像素值小于低阈值的舍弃，高于高阈值的保留作为边缘信息，大于低阈值且该像素仅仅在连接到一个高于高阈值的像素时被保留。一般高阈值：低阈值在 2:1 到 3:1 之间 def canny_demo(image): image = cv.GaussianBlur(image,(3,3),0) gray = cv.cvtColor(image,cv.COLOR_BGR2GRAY) dst = cv.Canny(image,50,150) cv.imshow("Canny_demo",dst)

资料库

第十节图像处理之边缘检测.docx

相关推荐

人工智能

热门标签

最新资料