opencv-python 图像处理(五)

Canny边缘检测

  • 1) 使用高斯滤波器,以平滑图像,滤除噪声。

  • 2) 计算图像中每个像素点的梯度强度和方向。

  • 3) 应用非极大值(Non-Maximum Suppression)抑制,以消除边缘检测带来的杂散响应。

  • 4) 应用双阈值(Double-Threshold)检测来确定真实的和潜在的边缘。

  • 5) 通过抑制孤立的弱边缘最终完成边缘检测。

计算方法

1.高斯滤波

opencv-python 图像处理(五)_第1张图片

2.梯度和方向计算

 

opencv-python 图像处理(五)_第2张图片

3.非极大值抑制

 

opencv-python 图像处理(五)_第3张图片

 

opencv-python 图像处理(五)_第4张图片

4.双阈值确定

opencv-python 图像处理(五)_第5张图片

import cv2
import numpy as np
img=cv2.imread("d:/lena.jpg",cv2.IMREAD_GRAYSCALE)
v1=cv2.Canny(img,80,150)
v2=cv2.Canny(img,50,100)
res = np.hstack((v1,v2))
cv2.imshow("canny",res)
cv2.waitKey(0)
cv2.destroyAllWindows()

opencv-python 图像处理(五)_第6张图片

 

 

图像金字塔

  • 高斯金字塔
  • 拉普拉斯金字塔

opencv-python 图像处理(五)_第7张图片

 

高斯金字塔:向下采样方法(缩小)

opencv-python 图像处理(五)_第8张图片

高斯金字塔:向上采样方法(放大)

opencv-python 图像处理(五)_第9张图片

import cv2
import numpy as np
img=cv2.imread("d:/lena.jpg")
up=cv2.pyrUp(img) #放大
down=cv2.pyrDown(img)#缩小
cv2.imshow("up",down) 
cv2.imshow("down",up)
cv2.waitKey(0)
cv2.destroyAllWindows()

opencv-python 图像处理(五)_第10张图片

 

 

图像轮廓

cv2.findContours(img,mode,method)

mode:轮廓检索模式

  • RETR_EXTERNAL :只检索最外面的轮廓;
  • RETR_LIST:检索所有的轮廓,并将其保存到一条链表当中;
  • RETR_CCOMP:检索所有的轮廓,并将他们组织为两层:顶层是各部分的外部边界,第二层是空洞的边界;
  • RETR_TREE:检索所有的轮廓,并重构嵌套轮廓的整个层次;

method:轮廓逼近方法

  • CHAIN_APPROX_NONE:以Freeman链码的方式输出轮廓,所有其他方法输出多边形(顶点的序列)。
  • CHAIN_APPROX_SIMPLE:压缩水平的、垂直的和斜的部分,也就是,函数只保留他们的终点部分。

 

import cv2
import numpy as np
img=cv2.imread("d:/lena.jpg")
#为了更高的准确率,使用二值图像。
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
cv2.imshow("down",thresh)
binary, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)#method:轮廓逼近方法
draw_img = img.copy()
res = cv2.drawContours(draw_img, contours, -1, (0, 0, 255), 2)#描绘轮廓
draw_img = img.copy()
cv2.imshow("draw",res)
cv2.waitKey(0)
cv2.destroyAllWindows()

opencv-python 图像处理(五)_第11张图片

 

转载于:https://www.cnblogs.com/xujunjia/p/11455448.html

你可能感兴趣的:(人工智能,python,数据结构与算法)