Python+OpenCV实现边缘检测与角点检测详解

 更新时间:2023年02月03日 08:39:56   作者:编程爱好者-阿新  
这篇文章主要为大家详细介绍了如何通过Python+OpenCV实现边缘检测与角点检测,文中的示例代码讲解详细,对我们学习Python与OpenCV有一定的帮助,需要的可以参考一下

一、边缘检测

Sobel与Canny边缘检测代码如下所示

import cv2 as cv
import matplotlib.pyplot as plt

1.1、读取图像

读取图像的代码如下所示

# 读取图像
img = cv.imread('Lena.jpg')
lenna_img = cv.cvtColor(img, cv.COLOR_BGR2RGB)

1.2、图像转换成灰度图像

图像转换成灰度图像的代码如下所示

# 图像转换成灰度图像
grayImage = cv.cvtColor(img, cv.COLOR_BGR2GRAY)

1.3、Sobel算子

Sobel算子的代码如下所示

'''
    Sobel算子
'''
x = cv.Sobel(grayImage, cv.CV_16S, 1, 0)     # 对x求一阶导数
y = cv.Sobel(grayImage, cv.CV_16S, 0, 1)    # 对y求一阶导数

absX = cv.convertScaleAbs(x)
absY = cv.convertScaleAbs(y)

Sobel = cv.addWeighted(absX, 0.5, absY, 0.5, 0)

1.4、Canny算子

Canny算子的代码如下所示

'''
    Canny算子
'''

# 高斯滤波降噪
gaussian = cv.GaussianBlur(grayImage, (3, 3), 0)

# Canny算子
Canny = cv.Canny(gaussian, 50, 100)

1.5、显示正常中文的标签

显示正常中文的标签的代码如下所示

# 显示正常中文的标签
plt.rcParams['font.sans-serif'] = ['SimHei']

titles = [u'(a)原始图像', u'(b)Sobel图像', u'(c)Canny图像']
images = [lenna_img, Sobel, Canny]

for i in range(3):
    plt.subplot(1, 3, i + 1), plt.imshow(images[i], 'gray')
    plt.title(titles[i])
    plt.xticks([]), plt.yticks([])
plt.show()

1.6、边缘检测结果

边缘检测运行结果结果如下所示

Sobel与Canny边缘检测的优缺点

sobel:

1、sobel优点:输出图像(数组)的元素通常具有更大的绝对数值。

2、sobel缺点:由于边缘是位置的标志,对灰度的变化不敏感。

canny:

1、canny优点:法能够尽可能多地标识出图像中的实际边缘;标识出的边缘要与实际图像中的实际边缘尽可能接近。

2、canny缺点:图像中的边缘只能标识一次,并且可能存在的图像噪声不应标识为边缘。

二、角点检测

Susan与Harris角点检测代码如下所示

import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt

2.1、读取图像

读取图像的代码如下所示

# 读取图像
img = cv.imread('Lena.jpg')
lenna_img = cv.cvtColor(img, cv.COLOR_BGR2RGB)

2.2、图像转换成灰度图像

图像转换成灰度图像的代码如下所示

# 图像转换成灰度图像
grayImage = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
grayImage = np.float32(grayImage)

2.3、Harris算子

Harris算子的代码如下所示

'''
    Harris算子
'''
harrisImage = cv.cornerHarris(grayImage, 2, 3, 0.04)

harrisImage = cv.dilate(harrisImage, None)

2.4、设置阈值

设置阈值的代码如下所示

# 设置阈值
thresImage = 0.006 * harrisImage.max()

img[harrisImage > thresImage] = [255, 0, 0]

2.5、Susan算子

Susan算子的代码如下所示

'''
    Susan算子
'''
def img_extraction(image):
    """
        img_extraction 函数利用susan角点检测算法,对图像进行处理
    """
    print("最小灰度值,%d" % image.min())
    print("最大灰度值,%d" % image.max())
    threshold_value = (int(image.max())-int(image.min())) / 10
    print("初始阈值为: %d" % threshold_value)

    offsetX = [
                -1, 0, 1,
            -2, -1, 0, 1, 2,
        -3, -2, -1, 0, 1, 2, 3,
        -3, -2, -1, 0, 1, 2, 3,
        -3, -2, -1, 0, 1, 2, 3,
            -2, -1, 0, 1, 2,
                -1, 0, 1
        ]
    offsetY = [
                -3, -3, -3,
            -2, -2, -2, -2, -2,
        -1, -1, -1, -1, -1, -1, -1,
             0, 0, 0, 0, 0, 0, 0,
             1, 1, 1, 1, 1, 1, 1,
                2, 2, 2, 2, 2,
                   3, 3, 3
        ]

    for i in range(3, image.shape[0] - 3):     # 利用圆形模板遍历图像,计算每点处的USAN值
        for j in range(3, image.shape[1] - 3):
            same = 0
            for k in range(0, 37):
                if abs(int(image[i + int(offsetY[k]), j + int(offsetX[k]), 0]) - int(image[i, j, 0])) < threshold_value:             # 计算相似度
                        same += 1

            if same < 18:
                image[i, j, 0] = 18 - same
                image[i, j, 1] = 18 - same
                image[i, j, 2] = 18 - same
            else:
                image[i, j, 0] = 0
                image[i, j, 1] = 0
                image[i, j, 2] = 0

    return image

def img_revise(image):
    """
        img_revise 函数用于对角点处理后的图像,进行非极大值抑制修正
    """

    X = [-1, -1, -1, 0, 0, 1, 1, 1]     # X轴偏移
    Y = [-1, 0, 1, -1, 1, -1, 0, 1]     # Y轴偏移
    for i in range(4, image.shape[0]-4):
        for j in range(4, image.shape[1]-4):
            flag = 0
            for k in range(0, 8):
                print(i)
                if image[i, j, 0] <= image[int(i + X[k]), int(j + Y[k]), 0]:
                    flag += 1
                    break

            if flag == 0:       # 判断是否是周围8个点中最大的值,是则保留
                image[i, j, 0] = 255
                image[i, j, 1] = 255
                image[i, j, 2] = 255
            else:
                image[i, j, 0] = 0
                image[i, j, 1] = 0
                image[i, j, 2] = 0

    return image

originImage = cv.imread('Lena.jpg')
originImage = cv.cvtColor(originImage, cv.COLOR_BGR2RGB)

2.6、图像转换成灰度图像

图像转换成灰度图像的代码如下所示

# 图像转换成灰度图像
grayImage = np.float32(originImage)

2.7、调用susan角点检测算法

调用susan角点检测算法的代码如下所示

# 调用susan角点检测算法
extraImage = img_extraction(originImage)

2.8、调用img_revise()非极大值抑制修正

调用img_revise()非极大值抑制修正的代码如下所示

# 调用img_revise()非极大值抑制修正
susanImages = img_revise(extraImage)

2.9、显示正常中文的标签

显示正常中文的标签的代码如下所示

# 显示正常中文的标签
plt.rcParams['font.sans-serif'] = ['SimHei']

titles = [u'(a)原始图像', u'(b)Harris图像', u'(c)Susan图像']
images = [lenna_img, img, susanImages]

for i in range(3):
    plt.subplot(1, 3, i + 1), plt.imshow(images[i], 'gray')
    plt.title(titles[i])
    plt.xticks([]), plt.yticks([])
plt.show()

2.10、角点检测结果

角点检测运行结果结果如下所示

Susan与Harris角点检测算子的优缺点

Harris:

Harris优点:

1 旋转不变性,椭圆转过一定角度但是其形状保持不变(特征值保持不变)

2 对于图像灰度的仿射变化具有部分的不变性,由于仅仅使用了图像的一介导数,对于图像灰度平移变化不变;对于图像灰度尺度变化不变

Harris缺点:

1 对尺度很敏感,不具备几何尺度不变性。

2 提取的角点是像素级的

Susan:

Susan优点:大多数的边缘检测算子会随所用模板尺寸的变化而改变其所检测出的边缘的位置,但SUSAN检测算子能提供不依赖于模板尺寸的边缘精度。

以上就是Python+OpenCV实现边缘检测与角点检测详解的详细内容,更多关于Python OpenCV边缘 角点检测的资料请关注脚本之家其它相关文章!

相关文章

  • Python实现批量读取图片并存入mongodb数据库的方法示例

    Python实现批量读取图片并存入mongodb数据库的方法示例

    这篇文章主要介绍了Python实现批量读取图片并存入mongodb数据库的方法,涉及Python文件读取及数据库写入相关操作技巧,需要的朋友可以参考下
    2018-04-04
  • Python利用pangu模块实现文本格式化小工具

    Python利用pangu模块实现文本格式化小工具

    其实使用pangu做文本格式标准化的业务代码在之前就实现了,主要能够将中文文本文档中的文字、标点符号等进行标准化。但是为了方便起来我们这里使用了Qt5将其做成了一个可以操作的页面应用,需要的可以了解一下
    2022-10-10
  • python实时分析日志的一个小脚本分享

    python实时分析日志的一个小脚本分享

    这篇文章主要给大家分享了一个实时分析日志的python小脚本,文中给出了详细的介绍和示例代码供大家参考学习,对大家学习或者使用python具有一定的参考学习价值,需要的朋友们下面来一起看看吧。
    2017-05-05
  • python学习 流程控制语句详解

    python学习 流程控制语句详解

    下面小编就为大家带来一篇python学习 流程控制语句详解。小编觉得挺不错的,现在就分享给大家,也给大家做个参考。一起跟随小编过来看看吧
    2016-06-06
  • python学习笔记之列表(list)与元组(tuple)详解

    python学习笔记之列表(list)与元组(tuple)详解

    List(列表)是Python中使用最频繁的数据类型,而元组是另一个数据类型,类似于List(列表)。这篇文章主要给大家介绍了python学习笔记之列表(list)与元组(tuple)的相关资料,文中不仅详细介绍了两者的使用,还分享了list和tuple的相互转换的方法,需要的朋友可以参考下
    2017-11-11
  • python实现机器学习之元线性回归

    python实现机器学习之元线性回归

    这篇文章主要为大家详细介绍了python实现机器学习之元线性回归,具有一定的参考价值,感兴趣的小伙伴们可以参考一下
    2018-09-09
  • Python日期与时间模块(datetime+time+Calendar+dateuil )相关使用讲解

    Python日期与时间模块(datetime+time+Calendar+dateuil )相关使用讲解

    这篇文章主要介绍了Python日期与时间模块(datetime+time+Calendar+dateuil )相关使用讲解,文章围绕主题展开详细的内容戒杀,具有一定的参考价值,需要的朋友可以参考一下
    2022-09-09
  • Python多线程爬虫实战_爬取糗事百科段子的实例

    Python多线程爬虫实战_爬取糗事百科段子的实例

    下面小编就为大家分享一篇Python多线程爬虫实战_爬取糗事百科段子的实例,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
    2017-12-12
  • Python3多线程详解

    Python3多线程详解

    使用多线程,可以同时进行多项任务,可以使用户界面更友好,还可以后台执行某些用时长的任务,同时具有易于通信的优点。python3中多线程的实现使用了threading模块,它允许同一进程中运行多个线程,本文介绍的非常详细,,需要的朋友可以参考下
    2023-05-05
  • Django框架实现的普通登录案例【使用POST方法】

    Django框架实现的普通登录案例【使用POST方法】

    这篇文章主要介绍了Django框架实现的普通登录案例,结合实例形式分析了Django框架使用POST方法进行页面登录、校验等相关操作技巧,需要的朋友可以参考下
    2019-05-05

最新评论