opencv边缘检测算子（基于opencv的边缘检测方法）

1 
  
  
  
  
 、梯度运算

用OpenCV的形态变换（ 膨胀 
  
  
  
  
 、腐蚀

 


 


 


 


 
、开运算和闭运算）函数morphologyEx

梯度运算即膨胀结果-腐蚀结果：

【注意】对于二值图像来说          ，必须是前景图像为白色
 
  
 
  
 
  
 
  
 
  ，背景为黑色









，否则需要进行反二值化处理 import cv2 import matplotlib.pyplot as plt import numpy as np ##读入图片 im1 = cv2.imread(r"fiction\xiaozhu.jpg", cv2.IMREAD_GRAYSCALE) #创建一个5行5列的值全为1 的卷积核 k = np.ones((5,5),np.uint8) ##进行梯度运算 r = cv2.morphologyEx(im1, cv2.MORPH_GRADIENT, k) ##图像展示 plt.subplot(1,2,1) plt.imshow(im1, cmap="gray") plt.axis("off") plt.subplot(1,2,2) plt.imshow(r, cmap= "gray") plt.axis("off") plt.show()

2 
 
 
 
 
、sobel算子

可以计算不同方向的梯度  
  
  
  
  
，梯度运算如下图所示：

得出x方向的梯度值和y方向的梯度值后 
  
  
  
  
 ，通过G = sqr(GX2 + GY2)或G = |GX|+G|Y|得到整幅图像的梯度 
  
  
  
  
 。

cv2.Sobel参数：

【注意】

1 
   
   
   
   
  、如果梯度为负数


 


 


 


 


 ，会无法显示 
 
 
 
 
，所以计算完梯度之后需要进行取绝对值处理 
  
  
  
  
 。

2
 

 

 

 

 
、同时计算x方向和y方向的梯度  
   
   
   
   
 ，通常没有分别计算两个方向梯度后

 

 

 

 

 ，进行后处理效果好
 

 

 

 

 
，通常用cv2.addWeighted(src1, alpha, src2, beta, gamma)进行修正

 


 


 


 


 
。

3
 

 

 

 

 
、卷积核大小只能为奇数 
 
 
 
 
。 import cv2 import numpy as np im1 = cv2.imread(r"fiction\xiaozhu1.jpg",cv2.IMREAD_GRAYSCALE) ##默认卷积核为3*3          ，如果写cv2.Sobel(im1, 0, 1, 0)的话
 

 
 

 
 

 
 

 
 

 ，只能取到一侧边界









，另一侧边界值为负               ，会被规整成0 sobelx = cv2.Sobel(im1, cv2.CV_64F, 1, 0,ksize=3) sobely = cv2.Sobel(im1, cv2.CV_64F, 0, 1,ksize=3) ##取绝对值 cv2.convertScaleAbs(sobelx) sobelxy = cv2.addWeighted(sobelx, 0.5, sobely, 0.5, 0) ##同时取x          、y的sobel算子没有单独计算x 

 
 

 
 

 
 

 
 

 
、y然后相加的效果好 sobel_tmp = cv2.Sobel(im1, cv2.CV_64F, 1, 1) cv2.convertScaleAbs(sobel_tmp) cv2.namedWindow("dx=1", 0) cv2.namedWindow("dy=1", 0) cv2.namedWindow("after addWeighted", 0) cv2.namedWindow("dx=1,dy=1", 0) cv2.imshow("dx=1", sobelx) cv2.imshow("dy=1", sobely) cv2.imshow("after addWeighted", sobelxy) cv2.imshow("dx=1,dy=1", sobel_tmp) cv2.waitKey(0) cv2.destroyAllWindows()

3









、scharr算子

类似sobel算子
 
 
 
 
 
 
 
 
 
 ，但是卷积核系数不同














，离目标点越近的像素权重越大          ，边缘提取的效果比sobel算子好

二者效果对比如下： import cv2 im1 = cv2.imread(r"fiction\xiaozhu.jpg", cv2.IMREAD_GRAYSCALE) ##Scharr算子提取边缘,scharr相较于sobel算子
 
  
 
  
 
  
 
  
 
  ，靠近核心部分的权值较大









，边缘提取的效果更好  
  
  
  
  
，x与y不能同时为1 im1x = cv2.Scharr(im1, cv2.CV_64F, 1, 0) im1y = cv2.Scharr(im1, cv2.CV_64F, 0, 1) im1x = cv2.convertScaleAbs(im1x) im1y = cv2.convertScaleAbs(im1y) im1ScharryXY = cv2.addWeighted(im1x, 0.5, im1y, 0.5, 0) ##拉普拉斯算子 imLap = cv2.Laplacian(im1,cv2.CV_64F) imLap = cv2.convertScaleAbs(imLap) ##对比sobel算子提取边缘的效果 im1SobelX = cv2.Sobel(im1, cv2.CV_64F, 1, 0) im1SobelY = cv2.Sobel(im1, cv2.CV_64F, 0, 1) im1SobelX = cv2.convertScaleAbs(im1SobelX) im1SobelY = cv2.convertScaleAbs(im1SobelY) im1SobelXY = cv2.addWeighted(im1SobelX, 0.5, im1SobelY, 0.5, 0) ##sobel算子模拟scharr算子进行边缘提取 im1So_SC_X = cv2.Sobel(im1, cv2.CV_64F, 1, 0, -1) im1So_SC_Y = cv2.Sobel(im1, cv2.CV_64F, 0, 1, -1) im1So_SC_X = cv2.convertScaleAbs(im1So_SC_X) im1So_SC_Y = cv2.convertScaleAbs(im1So_SC_Y) im1So_SC_XY = cv2.addWeighted(im1So_SC_X, 0.5, im1So_SC_Y, 0.5, 0) cv2.namedWindow("im1ScharryXY", 0) cv2.namedWindow("im1SobelXY", 0) cv2.namedWindow("im1So_SC_XY", 0) cv2.namedWindow("imLap", 0) cv2.imshow("im1ScharryXY", im1ScharryXY) cv2.imshow("im1SobelXY", im1SobelXY) cv2.imshow("im1So_SC_XY", im1So_SC_XY) cv2.imshow("imLap", imLap) cv2.waitKey(0) cv2.destroyAllWindows()

依次为scharry算子               、sobel算子 
 
 
 
 
 
 
 
 
 
、sobel仿scharry














、拉普拉斯算子结果

4          、canny边缘检测

原理：

1 
  
 
  
 
  
 
  
 
  
、高斯滤波去噪声

2









、平滑后的图像用sobel算子计算梯度,梯度方向如下图所示：

梯度方向一般都与边界垂直 
  
  
  
  
 ，

一般归类为四个方向：垂直 
  
  
  
  
 、水平


 


 


 


 


 ，两个对角线

3 
  
  
  
  
 、去除所有非边界点

4

 


 


 


 


 
、滞后阈值

选取两个阈值 
 
 
 
 
，maxVal和minVal

5 
 
 
 
 
、用法  
   
   
   
   
 ，其实就一个函数

 

 

 

 

 ，cv2.Canny()

import cv2 im1 = cv2.imread(r"fiction\pig2.jpg", cv2.IMREAD_UNCHANGED) im1 = cv2.Canny(im1, 128, 256) im2 = cv2.Canny(im1, 0, 256) im3 = cv2.Canny(im1, 0, 128) im4 = cv2.Canny(im1, 0, 10) cv2.namedWindow("128_256",0) cv2.namedWindow("0_256",0) cv2.namedWindow("0_128",0) cv2.namedWindow("0_10",0) cv2.imshow("128_256",im1) cv2.imshow("0_256",im2) cv2.imshow("0_128",im3) cv2.imshow("0_10",im4) cv2.waitKey(0)

5 
   
   
   
   
  、拉普拉斯金字塔

原图像减去（原图->向下采样->向上采样）

两次采样后图像会被平滑

import cv2 im1 = cv2.imread(r"fiction\xiaozhu.jpg", cv2.IMREAD_GRAYSCALE) ##向下取样,长
 

 

 

 

 
、宽各变为1/2 im1Low = cv2.pyrDown(im1) ##向上取样
 

 

 

 

 
，长
 

 

 

 

 
、宽各变为原来2倍,会变模糊 im1High = cv2.pyrUp(im1Low) ##拉普拉斯金字塔结果 lapPyr = im1-im1High cv2.namedWindow("im1Low",0) cv2.namedWindow("im1High",0) cv2.namedWindow("im1",0) cv2.namedWindow("lapPyr",0) cv2.imshow("im1",im1) cv2.imshow("im1Low",im1Low) cv2.imshow("lapPyr",lapPyr) cv2.imshow("im1High",im1High) cv2.waitKey(0) cv2.destroyAllWindows()

依次为原图          、向下取样一次 

 
 

 
 

 
 

 
 

 
、向上取样









、原图-向上取样结果

可多层构造拉普拉斯金字塔

5               、findContours

这是个轮廓检测的方法          ，注意
 

 
 

 
 

 
 

 
 

 ，边缘和轮廓是不一样的









，边缘不一定连续               ，但是轮廓是连续的 
   
   
   
   
  。

import cv2 o = cv2.imread(r"fiction\xiaozhu.jpg", cv2.IMREAD_GRAYSCALE) co = cv2.imread(r"fiction\xiaozhu.jpg", cv2.IMREAD_UNCHANGED) cco = co.copy() max_threshold,img = cv2.threshold(o,127,255,cv2.THRESH_BINARY) ##findcounters:原始图像 
 
 
 
 
 
 
 
 
 
、轮廓检测方式（只检测外轮廓














、等级树形式等）          、轮廓近似方式 ##查找 
  
 
  
 
  
 
  
 
  
、绘制过程中会改变原图像 counters, hieraichy = cv2.findContours(img, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) r = cv2.drawContours(co, counters, -1, (255,0,0),6) cv2.namedWindow("o", 0) cv2.namedWindow("r", 0) cv2.imshow("o", cco) cv2.imshow("r", r) cv2.waitKey(0) cv2.destroyAllWindows()

6









、高通滤波

利用傅里叶变换
 
 
 
 
 
 
 
 
 
 ，将o转化为频域

低频为内部信息














，高频为边缘信息

通过高通滤波器得到边缘信息 #低频为内部信息          ，高频为边缘信息 import cv2 import matplotlib.pyplot as plt import numpy as np o = cv2.imread(r"fiction\xiaozhu.jpg", cv2.IMREAD_GRAYSCALE) ##利用傅里叶变换
 
  
 
  
 
  
 
  
 
  ，将o转化为频域,cv2.DFT_COMPLEX_OUTPUT返回双通道的结果









，包含幅度和频率  
  
  
  
  
，第一个通道是实数部分 
  
  
  
  
 ，第二个通道为虚数部分 #dft = cv2.dft(np.float32(o), flags=cv2.DFT_COMPLEX_OUTPUT) dft = np.fft.fft2(o) #将频域0点移动到中心 dft1 = np.fft.fftshift(dft) # result = 20*np.log(cv2.magnitude(dft1[:,:,0], dft1[:,:,1])) # # plt.subplot(2,2,1) # plt.imshow(o, cmap="gray") # # plt.subplot(2,2,2) # plt.imshow(result,cmap="gray") # # plt.show() ##通过高通滤波器得到边缘信息 rows,cols = o.shape crow,ccols = int(rows/2),int(cols/2) dft1[crow-3:crow+30,ccols-30:ccols+30] = 0 ishift = np.fft.ifftshift(dft1) iimg = np.fft.ifft2(ishift) iimg = np.abs(iimg) plt.subplot(1,2,1) plt.imshow(o,cmap="gray") plt.subplot(1,2,2) plt.imshow(iimg,cmap="gray") plt.show()