【DW打卡-计算机视觉基础】06 边缘检测

6.1 简介

GitHub：https://github.com/QiangZiBro

6.1.1 什么是边缘？

边缘是图像强度函数快速变化的地方

完成一个Canny边缘检测算法可以分为以下四步：

高斯滤波	目的
1.高斯滤波	去噪声降低错误率
2.计算梯度幅值和方向	估计每一点处的边缘强度与方向
3.非极大值抑制（NMS）	对Sobel、Prewitt等算子的结果进一步细化
4应用双阈值（Double-Threshold）检测	确定真实的和可能的边缘。

1.高斯滤波

边缘检测结果容易受到图像噪声的影响，图片中一些噪声会大大影像边缘检测。因此为了使图像平滑，可以用高斯滤波器内核与图像进行卷积。 此步骤将使图像稍微平滑，以减少边缘检测器上明显噪声的影响。

2.计算梯度强度和方向

进行高斯滤波后，图像中的边缘可以指向各个方向，接下来使用四个算子来检测图像中的水平、垂直和对角边缘。

3.非极大值抑制(NMS)

在每一点上，邻域中心与沿着其对应的梯度方向的两个像素相比，若中心像素为最大值，则保留，否则中心置0，这样可以抑制非极大值，保留局部梯度最大的点，以得到细化的边缘。

非极大值抑制是一种边缘稀疏技术，非极大值抑制的作用在于“瘦”边。

4. 用双阈值算法检测和连接边缘

一张图解释双阈值算法检测：

6.5 基于OpenCV的实现

6.5.1 Sobel算子 & 6.5.2 Canny算法

import cv2
import numpy as np
from matplotlib import pyplot as plt

if __name__ == '__main__':

    # IMREAD_GRAYSCALE  0
    # cv2.IMREAD_UNCHANGED  -1
    img = cv2.imread('./00_dog.jpg', 0)

    """
        cv2.Sobel(src, #参数是需要处理的图像；
                        ddepth, #图像的深度，-1表示采用的是与原图像相同的深度。目标图像的深度必须大于等于原图像的深度
                        dx, #dx和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。
                        dy[, 
                        dst[, #输出图片
              ksize[,#Sobel算子的大小，必须为1、3、5、7。
              scale[, #缩放导数的比例常数，默认情况下没有伸缩系数；
              delta[, #可选的增量，将会加到最终的dst中，同样，默认情况下没有额外的值加到dst中；
              borderType #判断图像边界的模式。这个参数默认值为cv2.BORDER_DEFAULT。
              ]]]]])  
    """

    #读图
    sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=5)
    sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=5)

    #画图
    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()


    """
    cv2.Canny(image,            # 输入原图（必须为单通道图）
              threshold1,
              threshold2,       # 较大的阈值2用于检测图像中明显的边缘
              [, edges[,
              apertureSize[,    # apertureSize：Sobel算子的大小
              L2gradient ]]])   # 参数(布尔值)：
                                  true： 使用更精确的L2范数进行计算（即两个方向的倒数的平方和再开放），
                                  false：使用L1范数（直接将两个方向导数的绝对值相加）。
    """

    original_img = img.copy()

    # canny边缘检测
    img1 = cv2.GaussianBlur(original_img,(3,3),0)
    canny = cv2.Canny(img1, 50, 150)

    # 画图
    plt.subplot(1,2,1),plt.imshow(original_img,cmap = 'gray')
    plt.title('Original'), plt.xticks([]), plt.yticks([])

    plt.subplot(1,2,2),plt.imshow(canny,cmap = 'gray')
    plt.title('Canny'), plt.xticks([]), plt.yticks([])
    plt.show()

展示效果