opencv-python 学习笔记（8） ------边缘检测

opencv-python 学习笔记（8） ------边缘检测

8.1 原理

      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。
图像边缘检测大幅度地减少了数据量，并且剔除了可以认为不相关的信息，保留了图像重要的结构属性。边缘检测可以划分为两类∶ 基于搜索和基于零穿越。

      基于搜索∶通过寻找图像一阶导数中的最大值来检测边界，然后利用计算结果估计边缘的局部方向，通常采用梯度的方向，并利用此方向找到局部梯度模的最大值，代表算法是Sobel算子和Scharr算子。

·基于零穿越∶通过寻找图像二阶导数零穿越来寻找边界，代表算法是Laplacian算子。

8.2 Sobel检测算子

概述：
      Sobel边缘检测算法比较简单，效率比canny边缘检测效率要高，但是边缘不如Canny检测的准确。Sobel算子是高斯平滑与微分操作的结合体，所以抗噪声能力强，用途较多。尤其是效率要求较高，而对细纹理不太关心的时候。
（注：如果 ksize=-1,使用3x3 的Scharr滤波器要 比3x3的Sobel滤波器的效果好（而且速度相同,所以在使用 3x3 滤波器时应该尽量使用Scharr 滤波器））
代码：

cv2.Sobel(src,ddepth,dx,dy,[dst,ksize,scale,delta,boderType])`  # sobel算子

参数：
src：图像；
ddepth：图像的深度，-1表示采用的是与原图像相同的深度。目标图像的深度必须不小于原图像的深度；
dx，dy：表示的是求导的阶数，0表示这个方向上没有求导，一般为0、1、2（阶）；
dst：输出图像；
ksize：是sobel算子的大小，必须为1、3、5、7。
Scale：是缩放导数的比例常数，默认情况下没有伸缩系数；
delta：是一个可选的增量，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：是判断图像边界的模式。这个参数默认值为cv2.BORDER_DEFAULT。
代码：

abs_x=cv2.convertScaleAbs(x)   #转换`

参数：x：进行sobel操作后的图像
代码：

cv2.addWeighted(src1,alpha,src2,beta,gamma,dst,dtype)

参数：
src1：图像1
alpha：图像1 的权重（在0–1之间）
src2：图像2
beta：图像2 的权重
gamma:图1与图2作和后添加的数值。不要太大，不然图片一片白。总和等于255以上就是纯白色了。
dst：输出图片（无用）
      （注：Sobel函数求完导数后会有负值，还有会大于255的值。而原图像是uint8，即8位无符号数，所以Sobel建立的图像位数不够，会有截断。因此要使用16位有符号的数据类型，即cv2.CV_16S。处理完图像后，再使用 cv2.convertScaleAbs（）函数将其转回原来的uint8格式，否则图像无法显示。）
例子：

import cv2
from matplotlib import pyplot as plt

img = cv2.imread("2.jpg", 0)

x = cv2.Sobel(img, cv2.CV_64F, 1, 0)  # sobel算子
y = cv2.Sobel(img, cv2.CV_64F, 0, 1)
absX = cv2.convertScaleAbs(x)
absY = cv2.convertScaleAbs(y)  # 转回uint8

dst = cv2.addWeighted(absX, 0.5, absY, 0.5, 50)  # 图像混合

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()
cv2.imwrite('dst.jpg',dst)

结果：

8.3 Laplacian检测算子

***定义***∶通过寻找图像二阶导数零穿越来寻找边界。
代码：

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

参数：
src：图像；
ddepth：图像的深度，-1表示采用的是与原图像相同的深度。目标图像的深度必须不小于原图像的深度；
dx，dy：表示的是求导的阶数，0表示这个方向上没有求导，一般为0、1、2（阶）；
dst：输出图像；
ksize：是算子的大小，必须为1、3、5、7。
Scale：是缩放导数的比例常数，默认情况下没有伸缩系数；
delta：是一个可选的增量，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：是判断图像边界的模式。这个参数默认值为cv2.BORDER_DEFAULT。

8.4 Canny边缘检测

原理：
(1).噪声去除；
由于边缘检测很容易受到噪声影响,所以第一步是使用5x5的高斯滤波器去除噪声；
(2).计算图像梯度
对平滑后的图像使用Sobel算子计算水平方向和竖直方向的一阶导数（图像梯度）（Gx和Gy）。根据得到的这两幅梯度图（Gx和Gy）找到边界的梯度和方向,公式如下：

（注：梯度的方向一般总是与边界垂直。梯度方向被归为四类：垂直,水平,和两个对角线。）
(3).非极大值抑制
在获得梯度的方向和大小之后,应该对整幅图像做一个扫描,去除那些非边界上的点。对每一个像素进行检查,看这个点的梯度是不是周围具有相同梯 度方向的点中最大的。如下图所示：

现在你得到的是一个包含“窄边界”的二值图像。
(4).滞后阈值
现在要确定那些边界才是真正的边界。这时我们需要设置两个阈值： minVal 和 maxVal。当图像的灰度梯度高于 maxVal 时被认为是真的边界, 那些低于 minVal 的边界会被抛弃。如果介于两者之间的话,就要看这个点是 否与某个被确定为真正的边界点相连,如果是就认为它也是边界点,如果不是就抛弃。在这一步,一些小的噪声点也会被除去,因为我们假设边界都是一些长的线段。
代码：

cv2.Canny(image,threschold1,threschold2,[edges,apertureSize,L2gradient])

参数：
image：图像
threschold1：最小滞后阈值
Threschold2：最大滞后阈值
apertureSize：计算图像梯度的 Sobel 卷积核的大小,默认值为 3
apertureSize：是一个布尔值，用来设定 求梯度大小的方程。如果设为 True，就使用更精确的L2范数进行计算（即两个方向的倒数的平方和再开放），否则使用方程： 代替,默认值为 False。
例子：

import cv2
from matplotlib import pyplot as plt

img = cv2.imread('1.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()

结果：