当前位置：首页 > news >正文

opencv-python常用函数解析及参数介绍（七）——边缘检测

news 来源：原创 2024/5/3 20:12:26

边缘检测

前言
1.基本概念
- 1) 滤波
- 2) 计算梯度
- 3) 非极大值抑制
- 4) 双阈值检测
2.opencv中的边缘检测
- 效果展示
- 分析对比
3.结尾

前言

在之前的文章中我们介绍了使用膨胀和腐蚀、计算图像梯度的方式来获取图像的轮廓，本篇文章将介绍另外一种可以获取图像轮廓的方法——边缘检测

1.基本概念

首先我们来看一下边缘检测的基本过程

1) 滤波

使用高斯滤波器，以平滑图像，滤除噪声
在这里插入图片描述
H即为高斯分布的卷积核，初看上去似乎这个矩阵似乎很莫名其妙，但其实他的特征很明显，中间的数值要比周围的大，因为高斯滤波使用的卷积核是满足高斯分布，即正态分布的（是的，高斯分布就是正态分布）

关于高斯滤波的细节请参考之前的文章：opencv-python常用函数解析及参数介绍（三）——图像滤波

2) 计算梯度

计算图像中每个像素点的梯度强度和方向。

我们以3x3的sobel算子为例计算梯度
在这里插入图片描述

在之前的文章中我们知道，sobel的梯度因为算子可以分成Sx和Sy，所以梯度也可以分为两个梯度，一个是Gx，更加侧重左右的偏差，即侧重竖直方向的边缘，而Gy更加侧重上下的偏差，即侧重水平方向的边缘，那么我们得到了x方向的梯度Gx，y方向的梯度Gy，那么总梯度应该为

$\sqrt{Gx^2+Gy^2}$
这里我们只求得了梯度的大小，那么如何计算梯度的方向呢

我们已经知道了x方向的梯度大小为Gx，y方向的梯度大小为Gy
$\theta \\则tan\theta = \frac{Gy}{Gx} \\ 即:\theta = arctan(\frac{Gy}{Gx})$

关于图像梯度的计算的详细细节可以参照上一篇博客：opencv-python常用函数解析及参数介绍（六）——图像梯度

3) 非极大值抑制

顾名思义就是抑制不是极大值的值，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。
在本问题中可以理解为只选用最大的梯度。

4) 双阈值检测

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

其细节上表现为，设置两个阈值，一个阈值决定下限，另一个阈值决定上限，超过阈值上限的梯度可以理所应当的被认为是边缘，低于下限的梯度被认为不是边缘，而对应在上下限直接的范围梯度，应该看与他相连的梯度是不是已经被认为是边缘，如果已经被认为是边缘了，那么与边缘相连的也一定是边缘。

2.opencv中的边缘检测

上述的过程似乎有些复杂，幸好，在opencv中我们可以使用cv2.Canny进行边缘检测，我们只需设置双阈值检测中需要的上下限就好

效果展示

我们假设有一张名为kl.png的图片
在这里插入图片描述
为了展示方便，我们依然先编写一个展示函数

def cv_show(img,name):
    cv2.imshow(name,img)
    cv2.waitKey()
    cv2.destroyAllWindows()

对这张图片进行边缘检测的效果如下

img=cv2.imread("kl.png",cv2.IMREAD_GRAYSCALE)

v1=cv2.Canny(img,80,150)
cv_show(v1,'res')

在这里插入图片描述

分析对比

与上篇文章中直接使用梯度当做边缘的效果相比似乎是更好的，那么这是为什么呢？其主要的区别就是从双阈值检测，因为我们进行了双阈值检测，在这个过程中当某一个点上的梯度小于设置的下限时就会被丢弃，即立即判断这个点不是边缘，所以相比之下，结果看起来会更干净（因为直接使用梯度作为边缘时一些较小梯度的点仍然会被保留）

当我们把下限设置成0时，即不对梯度的下限做限制，我们可以清晰的看到有些本不属于边缘的位置被当成了边缘

img=cv2.imread("kl.png",cv2.IMREAD_GRAYSCALE)
v1=cv2.Canny(img,0,150)
cv_show(v1,'res')

下面我们来对上下限进行修改，然后做一下对比

img=cv2.imread("kl.png",cv2.IMREAD_GRAYSCALE)

v1=cv2.Canny(img,0,150)
v2=cv2.Canny(img,50,150)
v3=cv2.Canny(img,50,200)

res = np.hstack((v1,v2,v3))
cv_show(cv2.resize(res, (1500, 500)),'res')