OpenCV边缘检测-蒲公英云

OpenCV边缘检测

梯度算子：是一阶导数算子，是水平G(x),G(y)方向对应模板的组合，也有对角线方向。

常见的一阶算子：

Roberts交叉算子，Rrewitt算子，Sobel算子

$M\_\{x\}=$

0	1
-1	0

$M\_\{y\}$ =

1	0
0	-1

Roberts交叉算子是对角线方向的梯度算子，对应的水平方向和竖直方向的梯度分别为：

$G\_\{x\}=f(x+1,y+1)-f(x,y), G\_\{y\}=f(x,y+1)-f(x+1,y)$

Robert算子优缺点：

优点：边缘定位比较准，适用于边缘明显且噪声较少的图像。

缺点：没有描述水平和竖直方向的灰度变化，只是关注了对角线方向，鲁棒性差，由于点本身参与了梯度计算，不能有效抑制噪声的干扰。

Sobel算子：

$M\_\{x\}$ =

-1	0	1
-2	0	2
-1	0	-1

$M\_\{y\}$ =

1	2	1
0	0	0
-1	-2	-1

$G\_\{x\}=f(x+1,y+1)-f(x-1,y+1)+2f(x+1,y)-2f(x-1,y)+f(x+1,y-1)-f(x-1,y-1)$

$G\_\{y\}=f(x-1,y+1)-f(x-1,y-1)+2f(x,y+1)-2f(x,y-1)+f(x+1,y+1)-f(x+1,y-1)$

Sobel算子引入了类似局部加权平均的运算，对边缘的定位比prewitt 算子好。

sobel算子函数：

dst=cv2.Sobel(src,ddepth,dx,dy,ksize)

参数说明：参数2：图像的深度，-1表示采用的与原图像相同写深度。目标图像的深度必须大于等于原图像的深度；

参数3，4.dx,dy表示的是求导的阶数，0表示这个方向上没有求导，一般为0，1，2

参数5：ksize是sobel算子的大小，必须为1，3，5，7.

#Sobel算子练习
import numpy as np
import cv2
from matplotlib import pyplot as plt
img = cv2.imread('test.jpg',0)
sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=5)
sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=5)
plt.subplot(1,3,1),plt.imshow(img,cmap = 'gray')
plt.title('Original'),plt.xticks([]),plt.yticks([])
plt.subplot(1,3,2),plt.imshow(sobelx,cmap = 'gray')
plt.title('Sobel X'),plt.xticks([]),plt.yticks([])
plt.subplot(1,3,3),plt.imshow(sobely,cmap = 'gray')
plt.title('Sobel Y'),plt.xticks([]),plt.yticks([])
plt.show()

梯度图结果:

watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dpbmdneW4_size_16_color_FFFFFF_t_70

Canny边缘检测算法

先平滑后求导。

评价边缘检测性能优劣的指标：

1好的信噪比，2高的定位性能，3虚假相应边缘应该得到最大抑制。

cv2.Canny(image,th1,th2,Size)

image:源图像

dth1:阈值1

th2:阈值2

Size:可选参数，Sobel算子的大小

步骤：

1彩色图像转换为灰度图像（以灰度图单通道图读入）

2对图像进行高斯模糊（去噪）

3计算图像梯度，根据梯度计算图像边缘幅值与角度

4沿梯度方向进行非极大值抑制（边缘细化）

5双阈值边缘连接处理

6二值化图像输出结果

import cv2
import numpy as np
img = cv2.imread('test.jpg')
v1 = cv2.Canny(img,80,150,(3,3))
v2 = cv2.Canny(img,50,100,(5,5))
ret = np.hstack((v1,v2))
cv2.imshow('img',ret)
cv2.waitKey(0)
cv2.destroyAllWindows()