什么是边缘检测
边缘检测是图像处理和计算机视觉中，尤其是特征提取中的一个研究领域。
所谓边缘，就是图像中强度发生突变的区域，通常暗示着物体边界的存在。
灰度变化不明显的部分会被过滤掉
边缘检测的一般流程
先灰度化，再用低通滤波器降噪，用高通滤波器提取边缘，最后二值化。
低通滤波器见前面我发布的图像预处理，下面讲的都是高通滤波器。
滤波器与卷积操作
为了提取到图像的边缘，我们需要滤波器的帮助。这类滤波器以矩阵的形式存在，通常被称为卷积核，就是一些值网格，能够对图像进行修改。
对于图像的每一个像素点，计算它的邻域像素和滤波器矩阵的对应元素的乘积，然后加起来，作为该像素位置的值。这样就完成了滤波过程。这种计算被称为图像卷积。
卷积核上的每一位乘数被称为权值，它们决定了这个像素的分量有多重。它们的总和加起来如果等于1，不会改变图像的灰度强度。如果大于1，会增加灰度强度，使得图像变亮。如果小于1，会减少灰度强度，使得图像变暗。如果和为0，图像不会变黑，但也会非常暗（凸出边缘）。
滤波器的大小应该是奇数，这样它才有一个中心，例如3x3，5x5或者7x7。有中心了，也有了半径的称呼，例如5x5大小的核的半径就是2。
几种经典的过滤器
1、索贝尔过滤器
索贝尔过滤器常用于边缘检测和发现图像中的强度模式。向图像中应用索贝尔过滤器就相当于沿着 x 或 y 方向求图像的（近似）导数。
Sobel_x和 Sobel_y的运算符分别如下所示：
接下来，我们看看将这两种过滤器应用到大脑图像的示例。
在上图中，可以看到在 x 和 y 方向计算的梯度检测出大脑的边缘并选出其他边缘。沿着 x 方向计算的梯度强调的是接近垂直方向的边缘，沿着 y 方向计算的梯度强调的是接近水平方向的边缘 。
大小
索贝尔还会检测哪些边缘最强，这一点体现在梯度大小上；大小越大，边缘越强。梯度的大小或绝对值是单个 x 和 y 梯度平方值的平方根。对于 x 和 y 方向的梯度，大小是平方和的平方根。
方向
在很多情形下，我们需要查找特定方向的边缘。例如，我们可能需要查找仅朝上或朝左的线条。通过单独计算 x 和 y 方向的图像梯度方向，我们可以判断该梯度的方向！
梯度方向是指 y 梯度除以 x 梯度的反正切:
# coding = utf-8
import numpy as np
import matplotlib.pyplot as plt
import cv2 as cv
# 图像读取并灰度化
image_stripes = cv.imread('images/stripes.jpg')
image_stripes = cv.cvtColor(image_stripes, cv.COLOR_BGR2RGB)
gray_stripes = cv.cvtColor(image_stripes, cv.COLOR_RGB2GRAY)
sobel_x = np.array([[ -1, 0, 1],
[ -2, 0, 2],
[ -1, 0, 1]])
sobel_y = np.array([[ -1, -2, -1],
[ 0, 0, 0],
[ 1, 2, 1]])
filtered_image1 = cv.filter2D(gray_stripes, -1, sobel_x)
filtered_image2 = cv.filter2D(gray_stripes, -1, sobel_y)
2、拉普拉斯过滤器
Laplace算子是一种各向同性算子，二阶微分算子，在只关心边缘的位置而不考虑其周围的像素灰度差值时比较合适。
Laplace算子对孤立象素的响应要比对边缘或线的响应要更强烈，因此只适用于无噪声图象。存在噪声情况下，使用Laplacian算子检测边缘之前需要先进行低通滤波。
# coding = utf-8
import numpy as np
import matplotlib.pyplot as plt
import cv2 as cv
# 图像读取并灰度化
image_stripes = cv.imread('tools/33.jpg')
image_stripes = cv.cvtColor(image_stripes, cv.COLOR_BGR2RGB)
gray_stripes = cv.cvtColor(image_stripes, cv.COLOR_RGB2GRAY)
laplacian=np.array([[0, 1, 0],
[1,-4, 1],
[0, 1, 0]])
filtered_image = cv.filter2D(gray_stripes, -1, laplacian)
3、Canny过滤器
Canny边缘检测是一种非常流行的边缘检测算法，是John Canny在1986年提出的。它是一个多阶段的算法，即由多个步骤构成。
首先，图像降噪。我们知道梯度算子可以用于增强图像，本质上是通过增强边缘轮廓来实现的，也就是说是可以检测到边缘的。但是，它们受噪声的影响都很大。那么，我们第一步就是想到要先去除噪声，因为噪声就是灰度变化很大的地方，所以容易被识别为伪边缘。
第二步，计算图像梯度，得到可能边缘。计算图像梯度能够得到图像的边缘，因为梯度是灰度变化明显的地方，而边缘也是灰度变化明显的地方。当然这一步只能得到可能的边缘。因为灰度变化的地方可能是边缘，也可能不是边缘。这一步就有了所有可能是边缘的集合。
第三步，非极大值抑制。通常灰度变化的地方都比较集中，将局部范围内的梯度方向上，灰度变化最大的保留下来，其它的不保留，这样可以剔除掉一大部分的点。将有多个像素宽的边缘变成一个单像素宽的边缘。即“胖边缘”变成“瘦边缘”。
第四步，双阈值筛选。通过非极大值抑制后，仍然有很多的可能边缘点，进一步的设置一个双阈值，即低阈值（low），高阈值（high）。灰度变化大于high的，设置为强边缘像素，低于low的，剔除。在low和high之间的设置为弱边缘。进一步判断，如果其领域内有强边缘像素，保留，如果没有，剔除。这样做的目的是只保留强边缘轮廓的话，有些边缘可能不闭合，需要从满足low和high之间的点进行补充，使得边缘尽可能的闭合。
# coding = utf-8
import numpy as np
import matplotlib.pyplot as plt
import cv2 as cv
# 图像读取并灰度化
image_stripes = cv.imread('tools/33.jpg')
image_stripes = cv.cvtColor(image_stripes, cv.COLOR_BGR2RGB)
gray_stripes = cv.cvtColor(image_stripes, cv.COLOR_RGB2GRAY)
lower = 50
upper = 100
edges = cv.Canny(gray_stripes, lower, upper)
plt.imshow(edges)
plt.show()
网友评论