Opencv实现Sobel算子、Scharr算子、Laplacian算子、Canny检测图像边缘

news/2025/1/8 22:19:24/

图像边缘检测

目录

  • 图像边缘检测
    • 1 Sobel算子
      • 1.1概念
      • 1.2 两个卷积矩阵
      • 1.3 函数及参数理解
      • 1.4 灰度图实际测试
      • 1.5 BGR图测试
    • 2 Scharr算子
      • 2.1概念
      • 2.2 实际测试
    • 3 Laplacian算子
      • 3.1概念
      • 3.2 函数
      • 3.3 实际测试
    • 4 Canny边缘检测
      • 4.1 概念
      • 4.2 步骤
      • 4.3 优点
      • 4.4 函数及参数理解
      • 4.5 实际测试

1 Sobel算子

1.1概念

是一种用于图像处理的算法，主要用于边缘检测。它通过计算图像亮度的空间梯度来突出显示图像中的边缘。Sobel算子包含两个核（卷积矩阵），分别用于检测水平边缘和垂直边缘。

1.2 两个卷积矩阵

在这里插入图片描述

1.3 函数及参数理解

  • cv2.Sobel(图片变量,数据类型,dx=1/0,dy=0/1)，水平/垂直获取轮廓
    • 数据类型为数字-1时，与图片类型相同，为cv2.CV_64F时，为浮点型有正负
    • dx为1时水平获取，dy为1时垂直获取，不能同时为1
  • cv2.convertScaleAbs(轮廓变量)，对轮廓变量内的数值绝对值化，使其可以显示出来
  • cv2.addWeighted(x轮廓变量,1,y轮廓变量,1,0)，组合轮廓变量使其完整

1.4 灰度图实际测试

代码展示：

python">import cv2
yuan = cv2.imread('yuan.png')
cv2.imshow('yuan',yuan)
cv2.waitKey(0)
yuan_1 = cv2.Sobel(yuan,-1,dx=1,dy=0)
yuan_64F = cv2.Sobel(yuan,cv2.CV_64F,dx=1,dy=0)
yuan_Abs = cv2.convertScaleAbs(yuan_64F)
yuan_1_y = cv2.Sobel(yuan,-1,dx=0,dy=1)
yuan_64F_y = cv2.Sobel(yuan,cv2.CV_64F,dx=0,dy=1)
yuan_Abs_y = cv2.convertScaleAbs(yuan_64F_y)
# 组合
yuan_xy = cv2.addWeighted(yuan_Abs,1,yuan_Abs_y,1,0)
cv2.imshow('yuan_1',yuan_1)
cv2.waitKey(0)
cv2.imshow('yuan_64F',yuan_64F)
cv2.waitKey(0)
cv2.imshow('yuan_Abs',yuan_Abs)
cv2.waitKey(0)
cv2.imshow('yuan_1_y',yuan_1_y)
cv2.waitKey(0)
cv2.imshow('yuan_64F_y',yuan_64F_y)
cv2.waitKey(0)
cv2.imshow('yuan_Abs_y',yuan_Abs_y)
cv2.waitKey(0)
cv2.imshow('yuan_xy',yuan_xy )
cv2.waitKey(0)

运行结果：
在这里插入图片描述

1.5 BGR图测试

代码展示：

python">import cv2
at1 = cv2.imread('at1.png')
cv2.imshow('at1',at1)
cv2.waitKey(0)
at1_64F = cv2.Sobel(at1,cv2.CV_64F,dx=1,dy=0)
at1_Abs = cv2.convertScaleAbs(at1_64F)
at1_64F_y = cv2.Sobel(at1,cv2.CV_64F,dx=0,dy=1)
at1_Abs_y = cv2.convertScaleAbs(at1_64F_y)# 组合
at1_xy = cv2.addWeighted(at1_Abs,1,at1_Abs_y,1,0)
cv2.imshow('at1_64F',at1_64F)
cv2.waitKey(0)
cv2.imshow('at1_Abs',at1_Abs)
cv2.waitKey(0)
cv2.imshow('at1_64F_y',at1_64F_y)
cv2.waitKey(0)
cv2.imshow('at1_Abs_y',at1_Abs_y)
cv2.waitKey(0)
cv2.imshow('at1y_xy_sobel',at1_xy )
cv2.waitKey(0)

运行结果：
在这里插入图片描述

2 Scharr算子

2.1概念

它是Sobel算子的一种改进版本，专门用于计算图像的梯度。Scharr算子与Sobel算子的主要区别在于它们的卷积核不同。Scharr算子在处理边缘时比Sobel算子具有更高的精度，但它们在计算时间和复杂度上是一样的，函数cv2.Scharr(),内在参数与Sobel算子相同，同样需要绝对值和组合。

2.2 实际测试

代码展示：

python">import cv2
at1 = cv2.imread('at1.png')
cv2.imshow('at1',at1)
cv2.waitKey(0)
at1_64F = cv2.Sobel(at1,cv2.CV_64F,dx=1,dy=0)
at1_Abs = cv2.convertScaleAbs(at1_64F)
at1_64F_y = cv2.Sobel(at1,cv2.CV_64F,dx=0,dy=1)
at1_Abs_y = cv2.convertScaleAbs(at1_64F_y)
# # 组合
at1_xy = cv2.addWeighted(at1_Abs,1,at1_Abs_y,1,0)
cv2.imshow('at1y_xy_sobel',at1_xy )
cv2.waitKey(0)
# # scharr
at1_64F_Scharr = cv2.Scharr(at1,cv2.CV_64F,dx=1,dy=0)
at1_Abs_Scharr = cv2.convertScaleAbs(at1_64F_Scharr)
at1_64F_y_Scharr = cv2.Scharr(at1,cv2.CV_64F,dx=0,dy=1)
at1_Abs_y_Scharr = cv2.convertScaleAbs(at1_64F_y_Scharr)
at1_xy_Scharr = cv2.addWeighted(at1_Abs_Scharr,1,at1_Abs_y_Scharr,1,0)
cv2.imshow('at1y_xy_Scharr',at1_xy_Scharr)
cv2.waitKey(0)

运行结果：
在这里插入图片描述

3 Laplacian算子

3.1概念

是一种用于边缘检测的数学工具。在图像处理中，Laplacian算子通常用于找到图像中的亮度快速变化的区域，这些区域往往对应于图像中的边缘或者物体边界。

不需要再进行图片组合。

3.2 函数

  • cv2.Laplacian(图片变量,数据类型)
  • cv2.convertScaleAbs(轮廓变量)

3.3 实际测试

代码展示：

python">import cv2
yuan = cv2.imread('yuan.png')
cv2.imshow('yuan',yuan)
cv2.waitKey(0)
at1 = cv2.imread('at1.png')
cv2.imshow('at1',at1)
cv2.waitKey(0)
## Sobel
at1_64F = cv2.Sobel(at1,cv2.CV_64F,dx=1,dy=0)
at1_Abs = cv2.convertScaleAbs(at1_64F)
at1_64F_y = cv2.Sobel(at1,cv2.CV_64F,dx=0,dy=1)
at1_Abs_y = cv2.convertScaleAbs(at1_64F_y)
# # # 组合
at1_xy = cv2.addWeighted(at1_Abs,1,at1_Abs_y,1,0)
cv2.imshow('at1y_xy_sobel',at1_xy )
cv2.waitKey(0)
# # # scharr
at1_64F_Scharr = cv2.Scharr(at1,cv2.CV_64F,dx=1,dy=0)
at1_Abs_Scharr = cv2.convertScaleAbs(at1_64F_Scharr)
at1_64F_y_Scharr = cv2.Scharr(at1,cv2.CV_64F,dx=0,dy=1)
at1_Abs_y_Scharr = cv2.convertScaleAbs(at1_64F_y_Scharr)
at1_xy_Scharr = cv2.addWeighted(at1_Abs_Scharr,1,at1_Abs_y_Scharr,1,0)
cv2.imshow('at1y_xy_Scharr',at1_xy_Scharr)
cv2.waitKey(0)
# laplacian
at1_64F_Laplacian = cv2.Laplacian(at1,cv2.CV_64F)
at1_Abs_Laplacian = cv2.convertScaleAbs(at1_64F_Laplacian)
cv2.imshow('at1_Abs_Laplacian ',at1_Abs_Laplacian )
cv2.waitKey(0)
yuan_64F_Laplacian = cv2.Laplacian(yuan,cv2.CV_64F)
yuan_Abs_Laplacian = cv2.convertScaleAbs(yuan_64F_Laplacian)
cv2.imshow('yuan_Abs_Laplacian ',yuan_Abs_Laplacian )
cv2.waitKey(0)

运行结果：

在这里插入图片描述

4 Canny边缘检测

4.1 概念

Canny边缘检测是一种流行的图像处理算法，用于检测图像中的边缘，并被认为是边缘检测中最优的算法之一。

4.2 步骤

  1. 噪声降低：
    • 使用高斯滤波器对图像进行平滑处理，以减少图像中的噪声。高斯滤波器可以有效地降低噪声，同时保持边缘的尖锐度。
  2. 计算梯度幅度和方向：
    • 通过计算图像中每个像素点的梯度幅度和方向，来确定可能的边缘。通常使用Sobel算子来计算水平和垂直方向的梯度。
  3. 非极大值抑制：
    • 对梯度幅度进行非极大值抑制，这一步会沿着梯度方向检查每个像素，只有当该像素的梯度幅度是局部最大值时，才将其保留为边缘候选点，否则将其抑制（即设为0）。
  4. 双阈值确定边缘：
    • 应用两个阈值（高阈值和低阈值）来确定真实边缘和潜在边缘。梯度幅度高于高阈值的像素被标记为强边缘，梯度幅度低于低阈值的像素被抑制，梯度幅度在两个阈值之间的像素被标记为弱边缘。
  5. 边缘跟踪和边缘连接：
    • 最后，通过边缘跟踪和边缘连接来强化边缘。通常，算法会检查弱边缘像素是否与强边缘像素相连，如果是，则将其标记为强边缘。这个过程可以确保边缘是连续的。

4.3 优点

Canny边缘检测算法的优点包括：

  • 良好的检测效果：Canny算法能够检测到图像中的真实边缘，同时抑制噪声。
  • 边缘定位精度：由于使用了梯度方向，Canny算法能够更精确地定位边缘。
  • 参数可调：通过调整高斯滤波器的大小、阈值等参数，可以适应不同的图像和边缘检测需求。

Canny边缘检测算法在计算机视觉和图像处理领域得到了广泛应用，尤其是在需要精确边缘检测的场合。

4.4 函数及参数理解

  • cv2.Canny(图像变量,低阈值,高阈值)，低于低阈值为0，高于高阈值为255

4.5 实际测试

代码展示：

python">import cv2
at1 = cv2.imread('at1.png')
cv2.imshow('at1',at1)
cv2.waitKey(0)
at1_64F = cv2.Sobel(at1,cv2.CV_64F,dx=1,dy=0)
at1_Abs = cv2.convertScaleAbs(at1_64F)
at1_64F_y = cv2.Sobel(at1,cv2.CV_64F,dx=0,dy=1)
at1_Abs_y = cv2.convertScaleAbs(at1_64F_y)
#
# # # 组合
at1_xy = cv2.addWeighted(at1_Abs,1,at1_Abs_y,1,0)
cv2.imshow('at1y_xy_sobel',at1_xy )
cv2.waitKey(0)
# #
# # scharr
at1_64F_Scharr = cv2.Scharr(at1,cv2.CV_64F,dx=1,dy=0)
at1_Abs_Scharr = cv2.convertScaleAbs(at1_64F_Scharr)
at1_64F_y_Scharr = cv2.Scharr(at1,cv2.CV_64F,dx=0,dy=1)
at1_Abs_y_Scharr = cv2.convertScaleAbs(at1_64F_y_Scharr)
at1_xy_Scharr = cv2.addWeighted(at1_Abs_Scharr,1,at1_Abs_y_Scharr,1,0)
cv2.imshow('at1y_xy_Scharr',at1_xy_Scharr)
cv2.waitKey(0)
# laplacian
at1_64F_Laplacian = cv2.Laplacian(at1,cv2.CV_64F)
at1_Abs_Laplacian = cv2.convertScaleAbs(at1_64F_Laplacian)
cv2.imshow('at1_Abs_Laplacian ',at1_Abs_Laplacian )
cv2.waitKey(0)
# # canny
at1_canny = cv2.Canny(at1,130,255)
cv2.imshow('at1_canny',at1_canny )
cv2.waitKey(0)

运行结果：

在这里插入图片描述


http://www.ppmy.cn/news/1561647.html

相关文章

C# 中的命名空间与Java和Python中的导入

C# 中的命名空间与Java和Python中的导入

在 C#、Java 和 Python 这三种语言中，命名空间和导入机制都是用来组织和管理代码及其依赖的工具，但它们在具体实现和使用方式上存在一些差异。 1、问题背景 在 Java 和 Python 世界中，我们可以通过查看源文件来了解所有导入的来源&#xff0…
阅读更多...
OpenCV 4.5至4.10版本更新概述

OpenCV 4.5至4.10版本更新概述

OpenCV 4.5至4.10版本更新概述 OpenCV 从 4.5 到 4.10 版本的更迭中，每个版本都引入了新功能、优化和修复。以下是主要版本的更新内容概述： OpenCV 4.5.x 系列 4.5.0 (2020年10月) 新增对 YOLOv4 的支持。引入 DNN 模块的改进，包括对 ONNX …
阅读更多...
Ruby语言的编程范式

Ruby语言的编程范式

Ruby语言的编程范式 引言 Ruby是一种动态、开源、面向对象的编程语言，最早由日本计算机科学家Matz（松本行弘）于1995年开发。Ruby以其简洁的语法和强大的功能而广受欢迎，特别是在Web开发领域。Ruby对开发者的友好性以及其设计哲学…
阅读更多...
拥有23种PDF/图片转换 数据提取 - 免费在线工具

拥有23种PDF/图片转换 数据提取 - 免费在线工具

All ComPDFKit Online PDF Tools | ComPDFKit 1. 数据提取 • 提取全部: 从PDF和图片中提取所有文本、表格和图片，并保存为JSON格式。 • 仅提取文本: 仅从PDF和图片中提取所有文本，并保存为TXT和JSON格式。 • 仅提取表格: 仅从PDF和图片中提取表格&am…
阅读更多...
主成分分析（PCA）算法

主成分分析（PCA）算法

主成分分析（PCA）算法 主成分分析（Principal Component Analysis, PCA）是一种常用的无监督降维算法，主要用于数据的特征提取和维度压缩。其目标是将高维数据映射到低维空间，同时尽可能保留数据的主要信息。…
阅读更多...
HTML5语义化编程

HTML5语义化编程

常见的 HTML5 语义化标签 <header>&#xff1a;定义文档或节的头部区域&#xff0c;通常包含标题、logo、导航链接等。<nav>&#xff1a;表示导航链接的部分&#xff0c;适合用来包裹主要的导航菜单。<main>&#xff1a;标识文档的主要内容&#xff0c;每个…
阅读更多...
Linux初识——基本指令

Linux初识——基本指令

我们在linux下输入各种指令&#xff0c;其实就相当于在windows中的相关操作&#xff0c;比如双击&#xff0c;新建文件夹等。 以下是相关基本指令基本用法 一.ls&#xff08;显示当前目录下的所有文件和目录&#xff09; 那如何显示当前目录&#xff08;我们所在的位置&…
阅读更多...
F#语言的数据结构

F#语言的数据结构

F#语言的数据结构浅析 F#是一种函数式编程语言&#xff0c;属于.NET生态系统。作为一种强类型语言&#xff0c;F#支持丰富的数据结构&#xff0c;使得编写复杂算法和数据处理变得更加高效和便利。在这篇文章中&#xff0c;我们将深入探讨F#的主要数据结构&#xff0c;包括元组…
阅读更多...
最新文章

Copyright @ 2022~2023