快捷導(dǎo)航

OpenCV 邊緣檢測(cè)

更新時(shí)間：2019年07月10日 10:53:17 作者：法納斯特

OpenCV提供了許多邊緣檢測(cè)濾波函數(shù)，這些濾波函數(shù)都會(huì)將非邊緣區(qū)域轉(zhuǎn)為黑色，將邊緣區(qū)域轉(zhuǎn)為白色或其他飽和的顏色。這篇文章主要介紹了OpenCV 邊緣檢測(cè),需要的朋友可以參考下

邊緣在人類視覺和計(jì)算機(jī)視覺中均起著重要的作用。

人類能夠僅憑一張背景剪影或一個(gè)草圖就識(shí)別出物體類型和姿態(tài)。

其中OpenCV提供了許多邊緣檢測(cè)濾波函數(shù)，這些濾波函數(shù)都會(huì)將非邊緣區(qū)域轉(zhuǎn)為黑色，將邊緣區(qū)域轉(zhuǎn)為白色或其他飽和的顏色。

不過這些濾波函數(shù)都很容易將噪聲錯(cuò)誤地識(shí)別為邊緣，所以需要進(jìn)行模糊處理。

本次的模糊操作使用高斯模糊(低通濾波器)，最常用的模糊濾波器(平滑濾波器)之一，是一個(gè)削弱高頻信號(hào)強(qiáng)度的低通濾波器。

低通濾波器，在像素與周圍像素的亮度差值小于一個(gè)特定值時(shí)，平滑該像素的亮度，主要用于去噪和模糊化。

邊緣檢測(cè)則是使用OpenCV的Canny函數(shù)實(shí)現(xiàn)，算法雖然很復(fù)雜，但是代碼卻很簡(jiǎn)單。

5個(gè)步驟，使用高斯濾波器對(duì)圖像去噪、計(jì)算梯度、在邊緣上使用非最大抑制(NMS)、在檢測(cè)到的邊緣上使用雙(double)閾值去除陽性(false positive)、分析所有的邊緣及其連接，保留真正的邊緣并消除不明顯的邊緣。

下面就來實(shí)現(xiàn)一下「跳一跳」的邊緣檢測(cè)，得以獲取方塊的中心位置。

/ 01 / 邊緣檢測(cè)

Canny邊緣檢測(cè)代碼如下。

import cv2
import numpy as np
# 讀取原圖像
img = cv2.imread('game.png', 0)
# 顯示原圖像
cv2.namedWindow('img', 0)
cv2.resizeWindow('img', 400, 600)
cv2.imshow('img', img)
# 高斯模糊
img_rgb = cv2.GaussianBlur(img, (5, 5), 0)
canny_img = cv2.Canny(img_rgb, 1, 10)
# 顯示邊緣檢測(cè)圖像
cv2.namedWindow('canny', 0)
cv2.resizeWindow('canny', 400, 600)
cv2.imshow('canny', canny_img)
# 輸出邊緣檢測(cè)圖像的高和寬
H, W = canny_img.shape
print(H, W)

輸出的圖像高寬分別為1920和1080。

下面是原圖像灰度圖和邊緣檢測(cè)圖像。

接下來，通過邊緣檢測(cè)圖像找到方塊的第一個(gè)頂點(diǎn)(上頂點(diǎn))。

# 第一個(gè)頂點(diǎn)的高度,row為列表(代表每一行的像素值),max(row)獲取列表中最大的像素值
y_top = np.nonzero([max(row) for row in canny_img[400:]])[0][0] + 400

對(duì)圖像高度大于400的行進(jìn)行遍歷(這樣可以去除上方數(shù)字270以及小程序塊的影響)。

np.nonzero()表示獲取列表元素?cái)?shù)值不為0的位置，第一個(gè)即為上頂點(diǎn)的高度值。

接下來獲取上頂點(diǎn)的寬度值。

# 第一個(gè)頂點(diǎn)的寬度
x_top = int(np.mean(np.nonzero(canny_img[y_top])))

這里發(fā)現(xiàn)有好幾個(gè)水平點(diǎn)，所以最后取平均值。

接下來對(duì)方塊下頂點(diǎn)的位置進(jìn)行確定。

為了跳過小白圈的影響，在上頂點(diǎn)高度的基礎(chǔ)上加上80個(gè)像素大小。

然后往下方遍歷，寬度值保持不變，直至找到像素值不為0的點(diǎn)。

便得到了方塊的下頂點(diǎn)坐標(biāo)。

# 跳過小白圈,然后遍歷
y_bottom = y_top + 80
for row in range(y_bottom, H):
  if canny_img[row, x_top] != 0:
    y_bottom = row
    break
# 得到方塊的中心點(diǎn)
x_center, y_center = x_top, (y_top + y_bottom) // 2
# 繪制以方塊中心點(diǎn)為圓心的圓
cv2.circle(canny_img, (x_center, y_center), 33, (255, 0, 255), 2)
# 顯示得到的圖像
cv2.namedWindow('result', 0)
cv2.resizeWindow('result', 400, 600)
cv2.imshow('result', canny_img)
# 結(jié)束
cv2.waitKey(0)
cv2.destroyAllWindows()

最后通過上下頂點(diǎn)的坐標(biāo)，得到方塊的中心點(diǎn)。