OpenCV半小时掌握基本操作之边缘检测

概述

OpenCV 是一个跨平台的计算机视觉库, 支持多语言, 功能强大. 今天小白就带大家一起携手走进 OpenCV 的世界. (第 12 课)

在这里插入图片描述

Scharr 算子

Scharr 算子和 Sobel 算子基本一样. 只是卷积核系数不同. Scharr 算子对边界更加敏感, 也更容易误判.

卷积核参数:

在这里插入图片描述

例子:

# Scharr 算子
scharr_x = cv2.Scharr(img, cv2.CV_64F, 1, 0)
scharr_y = cv2.Scharr(img, cv2.CV_64F, 0, 1)

# 取绝对值
scharr_x = cv2.convertScaleAbs(scharr_x)
scharr_y = cv2.convertScaleAbs(scharr_y)

# 融合
scharr_xy = cv2.addWeighted(scharr_x, 0.5, scharr_y, 0.5, 0)

# 展示图片
cv2.imshow("scharr_xy", scharr_xy)
cv2.waitKey(0)
cv2.destroyAllWindows()

输出结果:

在这里插入图片描述

Laplacian 算子

拉普拉斯算子 (Laplacian) 是图像二阶空间导数的二维向同性测度. 拉普拉斯算子可以突出图像中强度发生快速变化的区域, 因此常用在边缘检测任务当中.

在这里插入图片描述

在进行 Laplacian 操作之前通常需要先用高斯平滑滤波器 (Gaussian Blur) 降低 Laplacian 算子对于噪声的敏感性.

卷积核参数:

在这里插入图片描述

例子:

# 读取图片, 并准换成灰度图
img = cv2.imread("Mona_Lisa.jpg", cv2.IMREAD_GRAYSCALE)

# 高斯滤波器 (3 X 3)
img = cv2.GaussianBlur(img, (3, 3), sigmaX=0.1)

# Laplacian 算子
laplacian = cv2.Laplacian(img, cv2.CV_64F)

# 取绝对值
laplacian = cv2.convertScaleAbs(laplacian)

# 展示图片
cv2.imshow("laplacian", laplacian)
cv2.waitKey(0)
cv2.destroyAllWindows()

输出结果:

在这里插入图片描述

注: Sigma 值越小, 模板的中心系数就越大, 周围的系数较小, 平滑的效果就不是很明显.

Sobel vs Scharr vs Laplacian

在这里插入图片描述

Canny 边缘检测

Canny 边缘检测是非常流行的一种边缘检测算法, 由 John Canny 在 1986 年提出.

步骤:

使用高斯滤波器, 平滑图像, 消除噪声
计算图像中每个像素点的梯度强度和方向
使用没极大值抑制 (Non-Maximum Suppression) 消除边缘检测带来的杂散响应
使用双阈值检测 (Double Threshold) 来确定真实和潜在的边缘
通过抑制孤立的弱边缘最终完成边缘检测

高斯滤波器

在这里插入图片描述

梯度和方向

在这里插入图片描述

非极大值抑制

在这里插入图片描述

双阈值检测

在这里插入图片描述

例子

# 读取图片, 并转换成灰度图
img = cv2.imread("Mona_Lisa.jpg", cv2.IMREAD_GRAYSCALE)

# Canny边缘检测
out1 = cv2.Canny(img, 50, 150)
out2 = cv2.Canny(img, 100, 150)

# 合并
canny = np.hstack((out1, out2))

# 展示图片
cv2.imshow("canny", canny)
cv2.waitKey(0)
cv2.destroyAllWindows()

输出结果:

在这里插入图片描述

频道导航

OpenCV半小时掌握基本操作之边缘检测

目录

概述

Scharr 算子

Laplacian 算子

Sobel vs Scharr vs Laplacian

Canny 边缘检测

高斯滤波器

梯度和方向

非极大值抑制

双阈值检测

例子

您可能感兴趣的文章: