第詳解Python中圖像邊緣檢測(cè)算法的實(shí)現(xiàn)目錄寫在前面1.一階微分算子1.1Prewitt算子1.2Sobel算子2.二階微分算子2.1Laplace算子2.2LoG算子3.Canny邊緣檢測(cè)

寫在前面

從本節(jié)開始，計(jì)算機(jī)視覺教程進(jìn)入第三章節(jié)圖像特征提取。在本章，你會(huì)見到一張簡(jiǎn)簡(jiǎn)單單的圖片中蘊(yùn)含著這么多你沒注意到的細(xì)節(jié)特征，而這些特征將會(huì)在今后更高級(jí)的應(yīng)用中發(fā)揮著極其重要的作用。本文講解基礎(chǔ)特征之一圖像邊緣。

本文采用面向?qū)ο笤O(shè)計(jì)，定義了一個(gè)邊緣檢測(cè)類EdgeDetect，使圖像邊緣檢測(cè)算法的應(yīng)用更簡(jiǎn)潔，例如

importcv2

importnumpyasnp

importmatplotlib.pyplotasplt

Detector=EdgeDetect('1.jpg')

Prewitt=Detector.prewitt()

plt.imshow(Prewitt,'gray')

plt.show()

這個(gè)類的構(gòu)造函數(shù)為

classEdgeDetect:

def__init__(self,img)-None:

self.src=cv2.imread(img)

self.gray=cv2.cvtColor(self.src,cv2.COLOR_BGR2GRAY)

讀取的是圖像的基本信息。

1.一階微分算子

圖像邊緣是數(shù)字圖像的高頻成分，對(duì)應(yīng)圖像梯度的極值。在二維離散數(shù)字圖像上，某個(gè)方向上圖像強(qiáng)度函數(shù)微分使用有限差分法來近似，即：

因此圖像邊緣檢測(cè)即是對(duì)圖像的差分運(yùn)算。

1.1Prewitt算子

Prewitt算子本質(zhì)上就是x或y方向上相鄰像素的差分。

那我們常說的圖像梯度是什么意思呢？

其實(shí)就是用x與y方向上相鄰像素的差分為方向的向量

在編程實(shí)現(xiàn)上，就是構(gòu)造上圖的兩個(gè)方向的濾波算子，然后將xxx、yyy兩個(gè)方向的邊緣合成就是整張圖各方向的邊緣檢測(cè)結(jié)果

defprewitt(self):

#Prewitt算子

kernelX=np.array([[1,1,1],[0,0,0],[-1,-1,-1]],dtype=int)

kernelY=np.array([[-1,0,1],[-1,0,1],[-1,0,1]],dtype=int)

#對(duì)圖像濾波

x=cv2.filter2D(self.gray,cv2.CV_16S,kernelX)

y=cv2.filter2D(self.gray,cv2.CV_16S,kernelY)

#轉(zhuǎn)uint8,圖像融合

absX=cv2.convertScaleAbs(x)

absY=cv2.convertScaleAbs(y)

returncv2.addWeighted(absX,0.5,absY,0.5,0)

1.2Sobel算子

對(duì)高斯核函數(shù)x、y方向求導(dǎo)，并將其模板化即得Sobel算子。Sobel算子相比于Prewitt算子有更強(qiáng)的抗噪能力，因?yàn)槠浣Y(jié)合了高斯濾波的效果。

在編程實(shí)現(xiàn)上，就是構(gòu)造上圖的兩個(gè)方向的濾波算子，然后將x、y兩個(gè)方向的邊緣合成就是整張圖各方向的邊緣檢測(cè)結(jié)果

defsobel(self):

#Sobel算子

kernelX=np.array([[1,2,1],[0,0,0],[-1,-2,-1]],dtype=int)

kernelY=np.array([[-1,-2,-1],[0,0,0],[1,2,1]],dtype=int)

#對(duì)圖像濾波

x=cv2.filter2D(self.gray,cv2.CV_16S,kernelX)

y=cv2.filter2D(self.gray,cv2.CV_16S,kernelY)

#轉(zhuǎn)uint8,圖像融合

absX=cv2.convertScaleAbs(x)

absY=cv2.convertScaleAbs(y)

returncv2.addWeighted(absX,0.5,absY,0.5,0)

2.二階微分算子

2.1Laplace算子

將Laplace算子

寫成差分方程形式為

將差分方程進(jìn)一步寫成卷積核形式如圖(a)，可將其擴(kuò)展為圖(b)使之具有各向同性。微分算子屬于高通濾波，在銳化邊緣的同時(shí)也增強(qiáng)了噪點(diǎn)，因此Laplace算子抗噪能力弱，且不能檢測(cè)邊緣方向。

在編程實(shí)現(xiàn)上，就是構(gòu)造上圖的濾波算子

#Laplace算子

deflaplace(self):

kernel=np.array([[0,-1,0],[-1,4,-1],[0,-1,0]],dtype=int)

img=cv2.filter2D(self.gray,cv2.CV_16S,kernel)

returncv2.convertScaleAbs(img)

2.2LoG算子

為克服Laplace算子抗噪能力弱這一問題，引入高斯-拉普拉斯算子(LoG,LaplaceofGaussian)，即先低通濾除噪聲，再高通強(qiáng)化邊緣，LoG算子本質(zhì)上是帶通濾波器。

在編程實(shí)現(xiàn)上，就是構(gòu)造上圖的濾波算子

#LoG算子

defLoG(self):

kernel=np.array([[0,0,1,0,0],[0,1,2,1,0],[1,2,-16,2,1],[0,1,2,1,0],[0,0,1,0,0]],dtype=int)

img=cv2.filter2D(self.gray,cv2.CV_16S,kernel)

returncv2.convertScaleAbs(img)

3.Canny邊緣檢測(cè)

Canny邊緣檢測(cè)算法可以分為以下步驟。

使用Sobel算子濾除原圖像噪聲，并得到梯度圖；應(yīng)用非極大值抑制(Non-MaximumSuppression,NMS)以消除邊緣檢測(cè)、目標(biāo)檢測(cè)帶來的雜散響應(yīng)，即對(duì)待測(cè)邊緣或目標(biāo)，應(yīng)盡可能有唯一的準(zhǔn)確響應(yīng)應(yīng)用雙閾值(Double-Threshold)檢測(cè)來確定真實(shí)的和潛在的邊緣。

使用如下雙閾值檢測(cè)算法解決因噪聲引起的雜散邊緣響應(yīng)。