canny算子轮廓闭合_python实现：prewitt, laplace,sobel,scharr, canny, hed

代码：

butub1/Edge-detectiongithub.com

哭了，实现了的一个赞没有，上面讲理论的一堆赞......................

Catalog

Filters
Noise
Dark light
HedHED(Holistically-Nested Edge Detection ( 整体嵌套边缘检测 ))
~~Corrosion & Expansion(腐蚀膨胀) 划掉，没实现

Filters

prewitt:

（点击放大，查看细节）

可以看出 x, y 分别提取x方向和y方向的边缘

使用绝对值(l1范数)和使用l2范数效果上看是差不多的，所以很多时候大家直接使用绝对值来加速计算。stardard是skimage的接口.

prewitt两个算子对于横向和纵向的边缘很敏感，检测墙壁边缘的话，非常合适。

对于圆形或者说弧形边缘的提取也不错，但实际上laplace算子处理弧形边缘的效果更好。

laplace

这里laplace的standard做法和我的实现的不同地方在于，卷积之后得到的矩阵，在归一化到[0, 255]时，如果矩阵名为img, 我做的操作是output = img * 255 / img.max(), 而standard实现应该是直接截断，也就是output = np.clip(img, 0, 255), 所以图[4]比图[1]要亮很多。图[2]是原图+边缘产生的锐化效果，图[3]则是原图-边缘得到的模糊边缘的效果。

这是另外一个laplace filter kernel，效果上感觉差不多。

对于横向和纵向的边缘提取，可想而知，比较无力。

但是对于弧形的边缘，就十分敏感，包括小一些的纹理，都能检测出来，比prewitt算子效果好很多。

sobel

Sobel算子应当是最常用的算子了，用Lenna.jpg来测试，感觉看不出什么。图[3]是x和y方向的边缘的简单绝对值加和，图[3]为x,y边缘均方根，图[6]diff是计算图[4]和图[5]平均每个pixel的像素值差异，算这个是想评估一下自己的方法和标准做法的区别，不过标准做法应该是用的和图[3]一样的l1范数。

显然Sobel算子和Prewitt算子都对水平和竖直的边缘敏感，Sobel对于大的边缘应当更加敏感。

对于弧形的边缘就效果比较差了，边缘上有不少断点，这里的标准做法就表现的比较奇怪，看起来像是x和y的简单叠加，但却有明显的十字形。

scharr

Scharr算子是sobel算子的改进型，效果直观上确实会更好一些，对于大边缘的捕捉更好。

对于弧形边缘，断点的问题也比sobel要轻。

Canny 算法

Canny算法应当是目前被使用最多的边缘检测的传统方法，用的是Sobel算子。算法上会先取一下Gauss Blur（可选参数有sigma,即Gauss kernel的方差，越大越模糊,图上写成了gamma）然后用Sobel计算梯度，得到每个点的梯度和梯度方向，再然后做所谓的非极大值抑制，其实就是对于单个点来说，在它的梯度方向，如果它是最大的，那么它很可能就是边缘，实际实现上，将所有的点在4个不同的方向上[0-45, 45-90, 90-135, 135-180]寻找符合要求的点，就能得到一个候选的bool值的矩阵，然后在这个基础上卡边缘点的阈值，确认真实边缘和潜在的边缘，最后还有一步抑制孤立点的操作。

其中非常需要注意的一个特性是能够生成，单个pixel的边缘，这在指纹识别中特别有用。

因为使用的是Sobel算子，所以对于水平、竖直边缘的识别效果不错，当然Gauss blur加得太大是提取不到什么边缘的。

对于圆形的边缘，在加适当的Gauss blur的时候，能比较好地提取出图片的轮廓，这或许能用在图像分割上。

我把skimage的实现代码的中间输出打出来看，其中 local_maxima就是选取过对应局部极大点的图，pts是检测到梯度方向在对应区间的点的图，可以明显看到，就是确实是分成了四个不同的方向区间去进行计算的。这里的阈值统一取[50, 100]

细节上就看不出来多东西，这应该是因为图太简单了。

把Gauss加大, 方向就百年的非常明显。

再加大一点就.......

Noise

一开始加在255*255的图中加了一万个点，啥都看不出来，之后就只加1000个点，取看对于单个噪声，不同kernel的表现。

prewitt

用prewiit的时候，单个噪声点，过一个x方向的filter，就变成了6个点，因为在过filter的时候，会对输出取绝对值，把负梯度转换成正的梯度，所以是6个点没有在错。但这样噪声就被放大了，用Gauss blur，可以一定程度上把噪声的影响弱化。

这是加了Gauss blur的噪声再过prewitt算子的结果，可以发现噪声变模糊，数值上变小了。

laplace

对于laplace也有放大噪声同样的问题。

嗯，其实还是蛮有趣的，有点像万花筒。十字万花筒！

sobel

回字万花筒！注意图[3]这个回字，再后面Canny的情况下，出现了同样的回字，印证了，Canny算法确实使用了Sobel算子，而且用的还是l1范数的实现，相比于l2范数，可以加速运算。这里图5的标准实现就不知道加了什么奇怪的操作了。

scharr

canny 算法

再没有加Gauss blur前（虽然Canny自己也有Gauss blur），还是能够找到噪声点，呈现回字型。

加了Gauss blur就什么都没有了，一定程度上说明，加Gauss blur确实可以抑制噪声（但这里可能是连正常的而边缘都模糊没了）

整体上来看，canny算法对于噪声还是非常鲁棒的，即便加了10000个噪声点，也能检测到比较好的边缘。当然需要比较合适的参数。

Gauss blur 加大就分不清噪声和边缘了。

再加大，就变成了染色体分裂示意图，染色体分裂，纺锤丝形成，这个高考要考！！

通常情况下是不会有10000那么多噪声的，1000应该够吧。

Dark light

暗光最常见的场景就是拍摄天体了，这时候边缘很难检测出来，不同的算子的表现能力也不同。

prewiit

检测到了一部分的边缘，但是断断续续，不连贯，效果显然是不好的。这种暗光情况，首先要做的就是做直方图均衡化！

均衡化之后，能够检测到更多的边缘，但是噪声也因此更多了。

lalplace

sobel

scharr

canny

canny算法提取道的特征还是相对好的，而且边缘更加连续一点。

均衡化之后什么都没提取到...，这个bug下次de

Hed

有数据集就可以搞网络了。HED是15年的文章，是全卷积网络，权值用的Vgg16, 导出中间输出叫做side output, 过1x1卷积还原通道然后反卷积还原尺寸，5张图通过fusion层融合，一起取算loss.

代码参见:https://github.com/moabitcoin/holy-edge

paper: https://arxiv.org/pdf/1504.06375.pdf

从上到小依次是 side 1, side 2, side 3, side 4, side 5, fusion, output

话说有什么拼接图片比较常用的软件嘛？用PS太麻烦，用PPT如上图。