python

关注公众号 jb51net

关闭
首页 > 脚本专栏 > python > OpenCV边缘检测

OpenCV半小时掌握基本操作之边缘检测

作者：我是小白呀

这篇文章主要介绍了OpenCV基本操作之边缘检测，本文给大家介绍的非常详细，对大家的学习或工作具有一定的参考借鉴价值，需要的朋友可以参考下

【OpenCV】⚠️高手勿入! 半小时学会基本操作⚠️ 边缘检测

概述

OpenCV 是一个跨平台的计算机视觉库, 支持多语言, 功能强大. 今天小白就带大家一起携手走进 OpenCV 的世界. (第 12 课)

在这里插入图片描述

Scharr 算子

Scharr 算子和 Sobel 算子基本一样. 只是卷积核系数不同. Scharr 算子对边界更加敏感, 也更容易误判.

卷积核参数:

在这里插入图片描述

例子:

# Scharr 算子
scharr_x = cv2.Scharr(img, cv2.CV_64F, 1, 0)
scharr_y = cv2.Scharr(img, cv2.CV_64F, 0, 1)

# 取绝对值
scharr_x = cv2.convertScaleAbs(scharr_x)
scharr_y = cv2.convertScaleAbs(scharr_y)

# 融合
scharr_xy = cv2.addWeighted(scharr_x, 0.5, scharr_y, 0.5, 0)

# 展示图片
cv2.imshow("scharr_xy", scharr_xy)
cv2.waitKey(0)
cv2.destroyAllWindows()

输出结果:

在这里插入图片描述

Laplacian 算子

拉普拉斯算子 (Laplacian) 是图像二阶空间导数的二维向同性测度. 拉普拉斯算子可以突出图像中强度发生快速变化的区域, 因此常用在边缘检测任务当中.

在这里插入图片描述

在进行 Laplacian 操作之前通常需要先用高斯平滑滤波器 (Gaussian Blur) 降低 Laplacian 算子对于噪声的敏感性.

卷积核参数:

在这里插入图片描述

例子:

# 读取图片, 并准换成灰度图
img = cv2.imread("Mona_Lisa.jpg", cv2.IMREAD_GRAYSCALE)

# 高斯滤波器 (3 X 3)
img = cv2.GaussianBlur(img, (3, 3), sigmaX=0.1)

# Laplacian 算子
laplacian = cv2.Laplacian(img, cv2.CV_64F)

# 取绝对值
laplacian = cv2.convertScaleAbs(laplacian)

# 展示图片
cv2.imshow("laplacian", laplacian)
cv2.waitKey(0)
cv2.destroyAllWindows()

输出结果:

在这里插入图片描述

注: Sigma 值越小, 模板的中心系数就越大, 周围的系数较小, 平滑的效果就不是很明显.

Sobel vs Scharr vs Laplacian

在这里插入图片描述

Canny 边缘检测

Canny 边缘检测是非常流行的一种边缘检测算法, 由 John Canny 在 1986 年提出.

步骤:

  1. 使用高斯滤波器, 平滑图像, 消除噪声
  2. 计算图像中每个像素点的梯度强度和方向
  3. 使用没极大值抑制 (Non-Maximum Suppression) 消除边缘检测带来的杂散响应
  4. 使用双阈值检测 (Double Threshold) 来确定真实和潜在的边缘
  5. 通过抑制孤立的弱边缘最终完成边缘检测

高斯滤波器

在这里插入图片描述

梯度和方向

在这里插入图片描述

非极大值抑制

在这里插入图片描述

在这里插入图片描述

双阈值检测

在这里插入图片描述

例子

# 读取图片, 并转换成灰度图
img = cv2.imread("Mona_Lisa.jpg", cv2.IMREAD_GRAYSCALE)

# Canny边缘检测
out1 = cv2.Canny(img, 50, 150)
out2 = cv2.Canny(img, 100, 150)

# 合并
canny = np.hstack((out1, out2))

# 展示图片
cv2.imshow("canny", canny)
cv2.waitKey(0)
cv2.destroyAllWindows()

输出结果:

在这里插入图片描述

到此这篇关于OpenCV半小时掌握基本操作之边缘检测的文章就介绍到这了,更多相关OpenCV边缘检测内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！

您可能感兴趣的文章:
阅读全文