详解Python中图像边缘检测算法的实现
写在前面
从本节开始，计算机视觉教程进入第三章节——图像特征提取。在本章，你会见到一张简简单单的图片中蕴含着这么多你没注意到的细节特征，而这些特征将会在今后更高级的应用中发挥着极其重要的作用。本文讲解基础特征之一——图像边缘。
本文采用面向对象设计，定义了一个边缘检测类EdgeDetect，使图像边缘检测算法的应用更简洁，例如
import cv2
import numpy as np
import matplotlib.pyplot as plt
Detector = EdgeDetect('1.jpg')
Prewitt = Detector.prewitt()
plt.imshow(Prewitt , 'gray')
plt.show()
这个类的构造函数为
class EdgeDetect:
def __init__(self, img) -> None:
self.src = cv2.imread(img)
self.gray = cv2.cvtColor(self.src, cv2.COLOR_BGR2GRAY)
读取的是图像的基本信息。
1.一阶微分算子
图像边缘是数字图像的高频成分，对应图像梯度的极值。在二维离散数字图像上，某个方向上图像强度函数微分使用有限差分法来近似，即：
因此图像边缘检测即是对图像的差分运算。
1.1 Prewitt算子
Prewitt算子本质上就是x或y方向上相邻像素的差分。
那我们常说的图像梯度是什么意思呢？
其实就是用x与y方向上相邻像素的差分为方向的向量
在编程实现上，就是构造上图的两个方向的滤波算子，然后将x xx、y yy两个方向的边缘合成就是整张图各方向的边缘检测结果
def prewitt(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)
# 对图像滤波
x = cv2.filter2D(self.gray, cv2.CV_16S, kernelX)
y = cv2.filter2D(self.gray, cv2.CV_16S, kernelY)
# 转 uint8 ,图像融合
absX = cv2.convertScaleAbs(x)
absY = cv2.convertScaleAbs(y)
return cv2.addWeighted(absX, 0.5, absY, 0.5, 0)
1.2 Sobel算子
对高斯核函数x、y方向求导，并将其模板化即得Sobel算子。Sobel算子相比于Prewitt算子有更强的抗噪能力，因为其结合了高斯滤波的效果。
在编程实现上，就是构造上图的两个方向的滤波算子，然后将x、y两个方向的边缘合成就是整张图各方向的边缘检测结果
def sobel(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)
# 对图像滤波
x = cv2.filter2D(self.gray, cv2.CV_16S, kernelX)
y = cv2.filter2D(self.gray, cv2.CV_16S, kernelY)
# 转 uint8 ,图像融合
absX = cv2.convertScaleAbs(x)
absY = cv2.convertScaleAbs(y)
return cv2.addWeighted(absX, 0.5, absY, 0.5, 0)
2.二阶微分算子
2.1 Laplace算子
将Laplace算子
写成差分方程形式为
将差分方程进一步写成卷积核形式如图(a)，可将其扩展为图(b)使之具有各向同性。微分算子属于高通滤波，在锐化边缘的同时也增强了噪点，因此Laplace算子抗噪能力弱，且不能检测边缘方向。
在编程实现上，就是构造上图的滤波算子
# Laplace 算子
def laplace(self):
kernel = np.array([[0, -1, 0], [-1, 4, -1], [0, -1, 0]], dtype=int)
img = cv2.filter2D(self.gray, cv2.CV_16S, kernel)
return cv2.convertScaleAbs(img)
2.2 LoG算子
为克服Laplace算子抗噪能力弱这一问题，引入高斯-拉普拉斯算子(LoG, Laplace of Gaussian)，即先低通滤除噪声，再高通强化边缘，LoG算子本质上是带通滤波器。
在编程实现上，就是构造上图的滤波算子
# LoG算子
def LoG(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)
return cv2.convertScaleAbs(img)
3.Canny边缘检测
Canny边缘检测算法可以分为以下步骤。
- 使用Sobel算子滤除原图像噪声，并得到梯度图；
- 应用非极大值抑制(Non-Maximum Suppression, NMS)以消除边缘检测、目标检测带来的杂散响应，即对待测边缘或目标，应尽可能有唯一的准确响应
- 应用双阈值(Double-Threshold)检测来确定真实的和潜在的边缘。
使用如下双阈值检测算法解决因噪声引起的杂散边缘响应。
阈值的选择取决于给定输入图像的内容。下面对弱边缘进一步审查，即
通常，由真实边缘引起的弱边缘像素将连接到强边缘像素，而噪声响应未连接。为了跟踪边缘连接，通过查看弱边缘像素的8个邻域像素是否存在强边缘像素，来决定是否滤除该弱边缘点。
下面是Canny边缘检测算法的效果。
到此这篇关于详解Python中图像边缘检测算法的实现的文章就介绍到这了,更多相关Python图像边缘检测算法内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！
相关文章
这篇文章主要为大家详细介绍了pygame游戏之旅的第6篇，教大家如何制作游戏障碍，具有一定的参考价值，感兴趣的小伙伴们可以参考一下2018-11-11
这篇文章主要介绍了Python numpy数组转置与轴变换,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下2019-11-11
这篇文章主要为大家详细介绍了celery实现动态设置定时任务，文中示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下2021-03-03
这篇文章主要为大家介绍了Python英文单词大小写转换常用方法示例,有需要的朋友可以借鉴参考下,希望能够有所帮助,祝大家多多进步,早日升职加薪2024-01-01
这篇文章主要介绍了python PIL实现图片合成实例代码，小编觉得还是挺不错的，具有一定借鉴价值，需要的朋友可以参考下2018-01-01
这篇文章主要介绍了Python3读取和写入excel表格数据的示例代码，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧2020-06-06
这篇文章主要介绍了Python基于smtplib模块发送邮件代码实例,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下2020-05-05
python中tf.boolean_mask()函数的使用方法详解
这篇文章主要介绍了python中tf.boolean_mask()函数的使用方法详解, tf.boolean_mask() 函数的作用是通过布尔值对指定的列的元素进行过滤,需要的朋友可以参考下2023-11-11
python数据预处理 :样本分布不均的解决(过采样和欠采样)
今天小编就为大家分享一篇python数据预处理 :样本分布不均的解决(过采样和欠采样)，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2020-02-02
这篇文章主要介绍了Python json格式化打印实现过程解析,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下2020-07-07
最新评论