OpenCV--图像梯度处理，图片轮廓，边缘检测

一.图像梯度处理

• 图像梯度处理是图像分析中的一个重要技术，用于检测图像中的边缘、纹理和结构。梯度表示图像亮度变化的方向和幅度，常用于边缘检测、特征提取和图像分割等任务。以下是 OpenCV 中常用的图像梯度处理方法及其函数。

1. 梯度计算

Sobel 算子–cv2.Sobel()`

Sobel 算子用于计算图像在水平和垂直方向的梯度。这有助于检测边缘。

函数：cv2.Sobel()

函数签名：

cv2.Sobel(src, ddepth, dx, dy, ksize, scale=1, delta=0, borderType=cv2.BORDER_DEFAULT)

参数解释：

• src：输入图像（通常是灰度图像）。
• ddepth：目标图像的深度，常用 cv2.CV_16S（有符号 16 位）或 cv2.CV_8U（无符号 8 位）。
• dx：x 方向的导数阶数（0 表示不计算 x 方向的梯度）。
• dy：y 方向的导数阶数（0 表示不计算 y 方向的梯度）。
• ksize：Sobel 卷积核的大小（常用值为 1、3、5、7）。
• scale：缩放系数，用于调整结果的大小（默认值 1）。
• delta：在计算梯度值时添加的偏移量（默认值 0）。
• borderType：边界类型，通常使用 cv2.BORDER_DEFAULT。

示例代码：

import cv2
import numpy as np# 读取灰度图像
gray_image = cv2.imread('gray_image.jpg', cv2.IMREAD_GRAYSCALE)# 计算 x 方向的梯度
sobel_x = cv2.Sobel(gray_image, -1, 1, 0, ksize=3)# 计算 y 方向的梯度
sobel_y = cv2.Sobel(gray_image,-1, 0, 1, ksize=3)# 合并 x 和 y 方向的梯度
sobel_combined = cv2.addWeighted(sobel_x, 0.5, sobel_y, 0.5, 0)# 显示图像
cv2.imshow('Sobel X', sobel_x)
cv2.imshow('Sobel Y', sobel_y)
cv2.imshow('Sobel Combined', sobel_combined)
cv2.waitKey(0)
cv2.destroyAllWindows()

Laplacian 算子—cv2.Laplacian()

Laplacian 算子用于计算图像的二阶导数，常用于检测边缘和角点。

函数：cv2.Laplacian()

函数签名：

cv2.Laplacian(src, ddepth, ksize=1, scale=1, delta=0, borderType=cv2.BORDER_DEFAULT)

参数解释：

• src：输入图像（通常是灰度图像）。
• ddepth：目标图像的深度，常用 cv2.CV_16S 或 cv2.CV_8U。
• ksize：卷积核的大小（常用值为 1、3、5、7）。
• scale：缩放系数（默认值 1）。
• delta：添加的偏移量（默认值 0）。
• borderType：边界类型（通常使用 cv2.BORDER_DEFAULT）。

示例代码：

import cv2# 读取灰度图像
gray_image = cv2.imread('1.jpg', cv2.IMREAD_GRAYSCALE)# 计算 Laplacian
laplacian = cv2.Laplacian(gray_image, ksize=3)# 显示图像
cv2.imshow('Laplacian', laplacian)
cv2.waitKey(0)
cv2.destroyAllWindows()

2. Canny 边缘检测

Canny 边缘检测算法是一种多阶段边缘检测算法，用于检测图像中的边缘。

函数：cv2.Canny()

函数签名：

cv2.Canny(image, threshold1, threshold2, apertureSize=3, L2gradient=False)

参数解释：

• image：输入的灰度图像。
• threshold1：第一个阈值，用于低梯度强度的边缘。
• threshold2：第二个阈值，用于高梯度强度的边缘。
• apertureSize：Sobel 算子的孔径大小（默认值 3）。
• L2gradient：是否使用更精确的 L2 范数来计算梯度（默认值 False）。

示例代码：

import cv2# 读取灰度图像
gray_image = cv2.imread('gray_image.jpg', cv2.IMREAD_GRAYSCALE)# Canny 边缘检测
edges = cv2.Canny(gray_image, 100, 200)# 显示图像
cv2.imshow('Canny Edges', edges)
cv2.waitKey(0)
cv2.destroyAllWindows()

这些函数和算法提供了强大的图像梯度处理能力，可以帮助你进行各种图像分析和处理任务。

3.cv2.addWeighted() --将两幅图像进行加权融合

cv2.addWeighted() 是 OpenCV 中的一个函数，用于将两幅图像进行加权融合。它能够将两张图像按照指定的权重进行线性组合，从而得到一幅新的图像。这种操作常用于图像混合、图像叠加、以及在图像处理和计算机视觉中的各种应用。

函数签名

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

参数解释

• src1: 第一幅输入图像，可以是多通道（如彩色图像）或单通道（如灰度图像）。
• alpha: 第一幅图像的权重。该参数决定了 src1 在结果图像中所占的比例。
• src2: 第二幅输入图像，要求与 src1 的大小和通道数相同。
• beta: 第二幅图像的权重。该参数决定了 src2 在结果图像中所占的比例。
• gamma: 加到最终结果上的标量值，相当于图像整体的亮度调节。
• dst (可选): 输出的目标图像，可以与 src1 和 src2 相同，也可以是新的图像。
• dtype (可选): 输出图像的数据类型。通常不需要指定，默认与输入图像类型一致。

函数功能

cv2.addWeighted() 计算如下公式来进行图像融合：

[ \text{dst}(x, y) = \text{src1}(x, y) \times \alpha + \text{src2}(x, y) \times \beta + \gamma ]

其中：

• src1(x, y) 和 src2(x, y) 分别表示两幅图像在位置 (x, y) 处的像素值。
• alpha 和 beta 控制图像的融合比例。
• gamma 控制结果图像的整体亮度。

示例代码

示例 1: 简单的图像混合

import cv2# 读取两幅图像
image1 = cv2.imread('image1.jpg')
image2 = cv2.imread('image2.jpg')# 调整图像大小使其相同
image1 = cv2.resize(image1, (400, 400))
image2 = cv2.resize(image2, (400, 400))# 线性加权融合图像
alpha = 0.7
beta = 0.3
gamma = 0
blended_image = cv2.addWeighted(image1, alpha, image2, beta, gamma)# 显示结果
cv2.imshow('Blended Image', blended_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

在这个示例中，我们读取了两幅图像并将其调整到相同的大小。使用 cv2.addWeighted() 函数以 0.7 和 0.3 的权重混合这两幅图像。gamma 设置为 0，表示不进行亮度调整。

示例 2: 添加亮度调整的图像融合

import cv2# 读取两幅图像
image1 = cv2.imread('image1.jpg')
image2 = cv2.imread('image2.jpg')# 调整图像大小使其相同
image1 = cv2.resize(image1, (400, 400))
image2 = cv2.resize(image2, (400, 400))# 线性加权融合图像，且添加亮度调整
alpha = 0.6
beta = 0.4
gamma = 50  # 提高亮度
blended_image = cv2.addWeighted(image1, alpha, image2, beta, gamma)# 显示结果
cv2.imshow('Blended Image with Brightness', blended_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

使用 cv2.addWeighted() 调整图像的亮度和对比度。alpha 控制对比度，beta 控制亮度。通过将同一图像作为 src1 和 src2 使用，我们可以通过调整 alpha 和 beta 来改变图像的亮度和对比度。

二.绘制图像轮廓

• 在计算机视觉中，绘制图像轮廓是一个常见的操作，用于可视化和分析图像中的边缘和形状。OpenCV 提供了几种方法来检测和绘制图像轮廓。以下是一些常用的方法和示例代码。

• 在OpenCV中，cv2.findContours()和cv2.drawContours()是两个常用于处理图像轮廓的函数。下面对这两个函数的参数进行详细说明。

1. cv2.findContours()

函数原型：

contours, hierarchy = cv2.findContours(image, mode, method)

参数说明：

• image: 输入图像，通常为二值化图像（像素值为0或255）。在调用此函数之前，建议使用如cv2.threshold()或cv2.Canny()等函数进行图像处理，确保图像是二值的。

• mode: 轮廓检索模式，用于指定如何获取轮廓。选项包括：

  • cv2.RETR_EXTERNAL: 只提取最外层的轮廓。
  • cv2.RETR_LIST: 提取所有的轮廓，但不建立层级关系。
  • cv2.RETR_TREE: 提取所有轮廓，并重建轮廓之间的层级关系。
  • cv2.RETR_CCOMP: 提取所有的轮廓，并组织为两级层次结构。

• method: 轮廓逼近方法，用于指定如何近似轮廓。选项包括：

  • cv2.CHAIN_APPROX_SIMPLE: 只保留水平、垂直和斜线段，省略所有冗余点，节省内存。
  • cv2.CHAIN_APPROX_NONE: 保留所有轮廓点，更详细，但是消耗更多内存。

返回值：

• contours: 轮廓的列表，每个轮廓都是一组点的数组。
• hierarchy: 结构体，表示轮廓之间的层级关系，通常为一个Numpy数组。

示例代码：

import cv2
import numpy as np# 读取图像并转换为灰度图像
image = cv2.imread('image.jpg')
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)# 使用阈值处理将图像转换为二值图像
_, binary_image = cv2.threshold(gray_image, 127, 255, cv2.THRESH_BINARY)# 检测轮廓
contours, _ = cv2.findContours(binary_image, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)# 在原图像上绘制轮廓
contour_image = image.copy()
cv2.drawContours(contour_image, contours, -1, (0, 255, 0), 2)  # 绿色轮廓，线宽为 2# 显示结果
cv2.imshow('Contours', contour_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

2. cv2.drawContours()

函数原型：

cv2.drawContours(image, contours, contourIdx, color, thickness, lineType, hierarchy, maxLevel)

参数说明：

• image: 输入图像，要在其上绘制轮廓。

• contours: 轮廓数组，通常是从findContours得到的contours。

• contourIdx: 要绘制的轮廓索引，可以是一个整数：

  • -1表示绘制所有轮廓。
  • 其他非负整数绘制特定索引的轮廓（例如，0表示第一个轮廓）。

• color: 轮廓颜色，通常以BGR格式表示，如(255, 0, 0)表示红色。

• thickness: 轮廓线的厚度：可以是正整数（表示线段的厚度），或者是cv2.FILLED（用指定颜色填充轮廓内）。

• lineType: 线型，通常使用cv2.LINE_8、cv2.LINE_AA（抗锯齿线）等。

• hierarchy: 可选参数，通常不需要。如果指定了，通常用于选择按层绘制的轮廓。

• maxLevel: 可选参数，用于限制绘制轮廓的最大层级，通常不需要设置。

示例

import cv2
import numpy as np# 创建一个二值图像
image = np.zeros((400, 400), dtype=np.uint8)
cv2.rectangle(image, (50, 50), (350, 350), 255, -1)# 查找轮廓
contours, hierarchy = cv2.findContours(image, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)# 在原图上绘制轮廓
output = np.zeros((400, 400, 3), dtype=np.uint8)
cv2.drawContours(output, contours, -1, (0, 255, 0), 3)# 显示结果
cv2.imshow('Contours', output)
cv2.waitKey(0)
cv2.destroyAllWindows()

3. 使用 cv2.fillPoly() 填充轮廓

如果你想要填充轮廓区域，可以使用 cv2.fillPoly() 函数。

示例代码：

import cv2
import numpy as np# 读取图像并转换为灰度图像
image = cv2.imread('image.jpg')
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)# 使用阈值处理将图像转换为二值图像
_, binary_image = cv2.threshold(gray_image, 127, 255, cv2.THRESH_BINARY)# 检测轮廓
contours, _ = cv2.findContours(binary_image, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)# 在原图像上填充轮廓
filled_image = image.copy()
cv2.fillPoly(filled_image, contours, (0, 255, 0))  # 填充绿色区域# 显示结果
cv2.imshow('Filled Contours', filled_image)
cv2.waitKey(0)
cv2.destroyAllWindows()