原理

邊緣檢測(cè)是圖像處理和計(jì)算機(jī)視覺(jué)當(dāng)中的基本問(wèn)題，邊緣檢測(cè)的目的是標(biāo)識(shí)數(shù)字圖像中亮度變化明顯的點(diǎn)，圖像的邊緣檢測(cè)可以大幅度的減少數(shù)據(jù)量，并且剔除了可以認(rèn)為不相關(guān)的信息，保留了圖像重要的結(jié)構(gòu)屬性，它們絕大多數(shù)可以分為兩類(lèi)：基于搜索和基于零穿越。

基于搜索：通過(guò)尋找圖像一階導(dǎo)數(shù)中max來(lái)檢測(cè)邊界，然后利用計(jì)算結(jié)果估計(jì)邊緣的局部方向，通常采用梯度的方向，并在此方向找到局部梯度模的最大值，代表的算法是Sobel算子和Scharr算子。

基于零穿越：通過(guò)尋找圖像二階導(dǎo)數(shù)零穿越來(lái)尋找邊界，代表算法是Laplacian算子。 

Sobel檢測(cè)算子

Sobel邊緣檢測(cè)算法比較簡(jiǎn)單，實(shí)際應(yīng)用中效率要比Canny邊緣檢測(cè)算法效率要高，但邊緣檢測(cè)效果不如Canny準(zhǔn)確，但很多常會(huì)它依舊是首選，它是高斯平滑與微分操作的結(jié)合體，所以其抗燥聲能力很強(qiáng)，用途較多，尤其是對(duì)效率要求較高，而對(duì)細(xì)紋理不是很在意的情況下。

方法

 那么我們看到上圖最后一個(gè)式子，在某一個(gè)領(lǐng)域內(nèi)，某一方向上，前一個(gè)像素與后一個(gè)像素的差，除以(x+1)-(x-1)=2，就得到當(dāng)前的一個(gè)一階導(dǎo)數(shù)，這就是Sobel算子的一個(gè)思想。

這里假設(shè)要處理的對(duì)象為I，在兩個(gè)方向求導(dǎo)：

• 水平變化：將圖像I與奇數(shù)大小的模板進(jìn)行卷積，結(jié)果為Gx。
• 垂直變化：將圖像I與奇數(shù)大小的模板進(jìn)行卷積，結(jié)果為Gy。

如下，模板為3；

最后，統(tǒng)計(jì)極大值所在的位置，即為圖像的邊緣

注：當(dāng)內(nèi)核大小為3時(shí)，以上Sobel內(nèi)核可能會(huì)產(chǎn)生比較明顯的誤差，為解決這一個(gè)問(wèn)題，我們使用Scharr函數(shù)，但該函數(shù)僅作用于大小為3的內(nèi)核，該函數(shù)的運(yùn)行速度與Sobel算子一樣快，但結(jié)果更加精準(zhǔn)，其計(jì)算方法為下圖所示：

應(yīng)用

 Opencv當(dāng)中的API為：

sobel_x_or_y=Sobel(src, ddepth, dx, dy, dst=None, ksize=None, scale=None, delta=None, borderType=None)
 
"""
src:傳入圖像
ddepth:圖像的深度
dx、dy=指求導(dǎo)的階數(shù)，0表示這個(gè)方向上沒(méi)有求導(dǎo)，取值為0、1
ksize=是Sobel算子的大小，即卷積核的大小，為奇數(shù)（1，3，5，7等），默認(rèn)是3
scale:縮放導(dǎo)數(shù)的比例常數(shù)，默認(rèn)沒(méi)有
borderType:函數(shù)的邊界模式，默認(rèn)是cv2.BORDER_DEFAULT
"""

Sobel函數(shù)求導(dǎo)后會(huì)有負(fù)數(shù)，還有大于255的值，原圖像為uint8，8位無(wú)符號(hào)數(shù)，所以Sobel建立的圖像位數(shù)不夠，會(huì)有截?cái)?。因此，要?6位有符號(hào)的數(shù)據(jù)類(lèi)型，即cv2.CV_16S(放到深度中)。處理完圖像后，再使用cv2.convertScaleAbs()函數(shù)將其再轉(zhuǎn)為uint8格式，否則無(wú)法顯示圖像。

Sobel算子是兩個(gè)方向計(jì)算的，最后要用cv2.addWeighted()函數(shù)將其組合起來(lái)

Scale_abs=cv2.convertScaleAbs(x)
result=cv2.addWeighted(scr1,alpha,scr2,beta)  #混合x(chóng),y方向

import cv2
import numpy as np
from matplotlib import pyplot as plt
 
img=cv2.imread("Images/1-1.jpg",0)
#Sobel:x,y方向
x=cv2.Sobel(img,cv2.CV_16S,1,0)
y=cv2.Sobel(img,cv2.CV_16S,0,1)
#數(shù)據(jù)轉(zhuǎn)化
Scale_absx=cv2.convertScaleAbs(x)
Scale_absy=cv2.convertScaleAbs(y)
#混合圖像
result=cv2.addWeighted(Scale_absx,0.5,Scale_absy,0.5,0)
 
plt.figure(figsize=(10,8),dpi=100)
plt.subplot(121),plt.imshow(img,cmap=plt.cm.gray),plt.title('yuantu')
plt.xticks([]),plt.yticks([])
plt.subplot(122),plt.imshow(result,cmap=plt.cm.gray),plt.title('Sobel')
plt.xticks([]),plt.yticks([])
plt.show()

而Scharr，就是將Sobel算子當(dāng)中的變成ksize=-1。

x=cv2.Sobel(img,cv2.CV_16S,1,0,ksize=-1)
y=cv2.Sobel(img,cv2.CV_16S,0,1,ksize=-1)

可以看到，Scharr檢測(cè)的細(xì)節(jié)更加多一些。 

Laplacian算子

laplacian是利用二階導(dǎo)數(shù)來(lái)檢測(cè)邊緣。因?yàn)閳D像是“二維”，需要在兩個(gè)方向上求導(dǎo)，如下所示

API:

laplacian=cv2.Laplacian(src, ddepth, dst=None, ksize=None, scale=None, delta=None, borderType=None)
 
"""
src:圖像
Ddepth:圖像的深度，-1表示采用的是原圖像相同的深度，目標(biāo)圖像的深度必須要大于等于原圖像的深度；
ksize:卷積核的大小，必須為奇數(shù)
"""

import cv2
import numpy as np
from matplotlib import pyplot as plt
 
img=cv2.imread("Images/1-1.jpg",0)
 
result=cv2.Laplacian(img,cv2.CV_16S)
Scale_abs=cv2.convertScaleAbs(result)
 
plt.figure(figsize=(10,8),dpi=100)
plt.subplot(121),plt.imshow(img,cmap=plt.cm.gray),plt.title('yuantu')
plt.xticks([]),plt.yticks([])
plt.subplot(122),plt.imshow(result,cmap=plt.cm.gray),plt.title('laplacian')
plt.xticks([]),plt.yticks([])
plt.show()

算子比較

到此這篇關(guān)于Python圖像處理之邊緣檢測(cè)原理詳解的文章就介紹到這了,更多相關(guān)Python邊緣檢測(cè)內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論