上一期提到的图像阈值处理,不仅可以实现获取你想要的目标区域(作为mask使用),还可以帮你获取图像的边缘信息,那关于图像边缘,本期将从另外的角度来处理。
参考博客:Laplacian算子https://blog.csdn.net/sunny2038/article/details/9188441
1.使用laplacian算子来获取图像的边缘信息:
dst = cv2.Laplacian(src, ddepth[, dst[, ksize[, scale[, delta[, borderType]]]]])
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大于等于原图像的深度;
dst: 目标图像;
ksize:是算子的大小,必须为1、3、5、7。默认为1。
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。
import cv2
img=cv2.imread('test_img.jpg')
img2gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
laplacian_img = cv2.Laplacian(img2gray, -1, ksize =3, delta = 5)
cv2.imshow('gray_img', img2gray)
cv2.imshow('Laplacian',laplacian_img)
cv2.waitKey(0)
cv2.destroyAllWindows()
对边缘信息与背景差异较大的场景,你也可以使用threshold分割,不过若阈值不好选取,Laplacian梯度算子就不失为一直尝试方案,而且上网看看,关于Laplacian算子还可以用来判断图像的模糊程度,这个在相机的自动对焦当中,是否可以尝试判断下?
Laplacian针对图像模糊程度的判断参考博客:
1.利用Laplacian变换进行图像模糊检测https://www.cnblogs.com/arkenstone/p/7900978.html
2.OpenCV 图像清晰度评价(相机自动对焦)https://blog.csdn.net/dcrmg/article/details/53543341
2.在应用场景中,有时候你要找沿某个方向上的边缘信息,来看看Sobel梯度算子能否满足需求。
dst = cv2.Sobel(src, ddepth, dx, dy[, dst[, ksize[, scale[, delta[, borderType]]]]])
dx, dy代表求导的阶数,一般配置为0、1、2,分别代表该方向上不求导,一阶导,二阶导。
其他参数参考cv2,Laplacian算子
# 1. 获取水平方向上的边缘
import cv2
img=cv2.imread('test_img.jpg')
img2gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
# 对应的求垂直方向边缘信息使用dx = 1, dy =0
sobel_img = cv2.Sobel(img2gray, -1, 0, 1, ksize =3, delta = 5)
cv2.imshow('gray_img', img2gray)
cv2.imshow('Sobel',sobel_img)
cv2.waitKey(0)
cv2.destroyAllWindows()
不过处理的效果并不理想,图像低灰阶部分边缘信息丢失严重。
3.定制模板来获取边缘
对于sobel,laplacian算子我们可以使用cv2.filter2D()来实现,配置相应的核模板即可,如实现提取水平方向边缘信息:
import cv2
import numpy as np
img=cv2.imread('test_img.jpg')
img2gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
kennel_x = np.array([[-1, -2, -1], [0, 0, 0], [1, 2, 1]])# 命名kernel_x为了与提取水平方向边缘信息相对应,其命名为kernel_y更合适
# 通过传递kenel来实现你的提取方式
grad_x = cv2.filter2D(img2gray, -1, kernel=kennel_x)
sobel_img = cv2.Sobel(img2gray, -1, 0, 1, ksize =3, delta = 0)
cv2.imshow('grad_x', grad_x)
cv2.imshow('Sobel',sobel_img)
cv2.waitKey(0)
cv2.destroyAllWindows()
你可以依据实际的应用需求来配置提取边缘的角度信息,这里以45度角(垂直向下逆时针旋转45度)为例:
import cv2
import numpy as np
img=cv2.imread('test45.png')
img2gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
# 45度kernel核模板
kennel_45 = np.array([[2, -1,-1], [-1, 2 ,-1], [-1, -1, 2]])
grad_45 = cv2.filter2D(img2gray, -1, kernel=kennel_45)
cv2.imshow('grad_45', grad_45)
cv2.imshow('img',img2gray)
cv2.waitKey(0)
cv2.destroyAllWindows()
补充说明:对于Sobel算子中第2个参数,使用-1表示与原图像深度一致,在多次测试中发现其效果比较理想,不过对于你所处理的8bit图像,需要考虑从1到0,梯度值为负而被截断的情况,会丢失从高灰阶到低灰阶过度的边缘信息,如下图,请留意。参考博客:OpenCV图像梯度https://blog.csdn.net/qq_36387683/article/details/80352757
对此,你可以采用下面的方式来解决:
import cv2
src_img = cv2.imread('black_rect.png', -1)
gray_img = cv2.cvtColor(src_img, cv2.COLOR_BGR2GRAY)
# 将数据类型设置更高,然后取绝对值将其转回cv2.CV_8U
grad_x = cv2.Sobel(gray_img, cv2.CV_16S, 1, 0, ksize=5)
abs_grad_x = cv2.convertScaleAbs(grad_x)
cv2.imshow('gray_img', gray_img)
cv2.imshow('sobel_img', abs_grad_x)
cv2.waitKey(0)
cv2.destroyAllWindows()