边缘检测之Sobel算子和Canny算子
文章目录
- 一、Sobel 算子
- 1.1、什么是 Sobel 算子
- 1.2、原理
- 1.3、过程中的问题
- 1.4、OpenCV 实操
- 二、Canny 算子
- 2.1、原理
- 2.2、OpenCV 实操
- 三、对比
一、Sobel 算子
1.1、什么是 Sobel 算子
- 图像边缘检测重要算子之一。
- 与梯度密不可分。
目的:边缘检测
本质:梯度运算
1.2、原理
在图像的 x 轴方向和 y 轴方向,都进行梯度计算。
在 x 方向:
当目标(P5点)左右两列差别特别大的时候,目标点的值会很大,说明该点为边界。
在 y 方向:
在图像的每一点,结合以上两个结果求出:
G=Gx2+Gy2G=\sqrt{G_{x}^{2}+G_{y}^{2} } G=Gx2+Gy2
统计极大值所在的位置,就是图像的边缘。
1.3、过程中的问题
目标像素点求得的值小于0或者大于255怎么办?
OpenCV 默认的是截断操作,即小于 0 按 0 算,大于 255 按 255 算。
但是这种处理方法并不合适。
对于小于 0 的应该取绝对值,大于 255 的可按 255 算。
1.4、OpenCV 实操
利用 OpenCV 进行 sobel 边缘检测的API是:
Sobel_x_or_y = cv2.Sobel(src, ddepth, dx, dy, dst, ksize, scale, delta, borderType)
参数:
src:传入的图像
ddepth: 图像的深度
dx和dy: 指求导的阶数,0表示这个方向上没有求导,取值为0、1。
ksize: 是Sobel算子的大小,即卷积核的大小,必须为奇数1、3、5、7,默认为3。
注意:如果ksize=-1,就演变成为3x3的Scharr算子。
scale:缩放导数的比例常数,默认情况为没有伸缩系数。
borderType:图像边界的模式,默认值为cv2.BORDER_DEFAULT。
注意: 当内核大小为3时, 以上 Sobel 内核可能产生比较明显的误差, 为解决这一问题,我们使用 Scharr 函数,但该函数仅作用于大小为3的内核。该函数的运算与 Sobel 函数一样快,但结果却更加精确。
Scharr函数的卷积核=[−30+3−100+10−30+3]Scharr函数的卷积核=\begin{bmatrix} -3 & 0 & +3\\ -10 & 0 & +10\\ -3 & 0 & +3 \end{bmatrix} Scharr函数的卷积核=⎣⎡−3−10−3000+3+10+3⎦⎤
Sobel函数求完导数后会有负值,还有会大于255的值。而原图像是uint8,即8位无符号数,所以Sobel建立的图像位数不够,会有截断。因此要使用16位有符号的数据类型,即cv2.CV_16S。处理完图像后,再使用cv2.convertScaleAbs()函数将其转回原来的uint8格式,否则图像无法显示。
Sobel算子是在两个方向计算的,最后还需要用cv2.addWeighted( )函数将其组合起来
Scale_abs = cv2.convertScaleAbs(x) # 格式转换函数
result = cv2.addWeighted(src1, alpha, src2, beta) # 图像混合
示例:
import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
# 1 读取图像
img = cv.imread('./image/horse.jpg',0)
# 2 计算Sobel卷积结果
x = cv.Sobel(img, cv.CV_16S, 1, 0)
y = cv.Sobel(img, cv.CV_16S, 0, 1)
# 3 将数据进行转换
Scale_absX = cv.convertScaleAbs(x) # convert 转换 scale 缩放
Scale_absY = cv.convertScaleAbs(y)
# 4 结果合成
result = cv.addWeighted(Scale_absX, 0.5, Scale_absY, 0.5, 0)
# 5 图像显示
plt.figure(figsize=(10,8),dpi=100)
plt.subplot(121),plt.imshow(img,cmap=plt.cm.gray),plt.title('原图')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(result,cmap = plt.cm.gray),plt.title('Sobel滤波后结果')
plt.xticks([]), plt.yticks([])
plt.show()
将上述代码中计算sobel算子的部分中将ksize设为-1,就是利用Scharr进行边缘检测。
x = cv.Sobel(img, cv.CV_16S, 1, 0, ksize = -1)
y = cv.Sobel(img, cv.CV_16S, 0, 1, ksize = -1)
二、Canny 算子
Canny 边缘检测算法是一种非常流行的边缘检测算法,是 John F. Canny 于 1986年提出的,被认为是最优的边缘检测算法。
2.1、原理
Canny边缘检测算法是由4步构成,分别介绍如下:
第一步:噪声去除
由于边缘检测很容易受到噪声的影响,所以首先使用5∗55*55∗5高斯滤波器去除噪声。
第二步:计算图像梯度
对平滑后的图像使用 Sobel 算子计算水平方向和竖直方向的一阶导数(Gx 和 Gy)。根据得到的这两幅梯度图(Gx 和 Gy)找到边界的梯度和方向,公式如下:
Edge_Gradient(G)=Gx2+Gy2Edge\_Gradient(G)=\sqrt{G_{x}^{2}+G_{y}^{2}} Edge_Gradient(G)=Gx2+Gy2
Angle(θ)=tan−1(GyGx)Angle(\theta)=\tan^{-1}(\frac{G_{y}}{G_{x}}) Angle(θ)=tan−1(GxGy)
如果某个像素点是边缘,则其梯度方向总是与边缘垂直。梯度方向被归为四类:垂直,水平,和两个对角线方向。
- 第三步:非极大值抑制
在获得梯度的方向和大小之后,对整幅图像进行扫描,去除那些非边界上的点。对每一个像素进行检查,看这个点的梯度是不是周围具有相同梯度方向的点中最大的。如下图所示:
A点位于图像的边缘,在其梯度变化方向,选择像素点B和C,用来检验A点的梯度是否为极大值,若为极大值,则进行保留,否则A点被抑制,最终的结果是具有“细边”的二进制图像。
- 第四步:滞后阈值
现在要确定真正的边界。 我们设置两个阈值: minVal 和 maxVal。 当图像的灰度梯度高于 maxVal 时被认为是真的边界, 低于 minVal 的边界会被抛弃。如果介于两者之间的话,就要看这个点是否与某个被确定为真正的边界点相连,如果是就认为它也是边界点,如果不是就抛弃。如下图:
如上图所示,A 高于阈值 maxVal 所以是真正的边界点,C 虽然低于 maxVal 但高于 minVal 并且与 A 相连,所以也被认为是真正的边界点。而 B 就会被抛弃,因为低于 maxVal 而且不与真正的边界点相连。所以选择合适的 maxVal 和 minVal 对于能否得到好的结果非常重要。
2.2、OpenCV 实操
在OpenCV中要实现Canny检测使用的API:
canny = cv2.Canny(image, threshold1, threshold2)
参数:
- image:灰度图,
- threshold1: minval,较小的阈值将间断的边缘连接起来
- threshold2: maxval,较大的阈值检测图像中明显的边缘
示例:
import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
# 1 图像读取
img = cv.imread('./image/horse.jpg',0)
# 2 Canny边缘检测
lowThreshold = 0
max_lowThreshold = 100
canny = cv.Canny(img, lowThreshold, max_lowThreshold)
# 3 图像展示
plt.figure(figsize=(10,8),dpi=100)
plt.subplot(121),plt.imshow(img,cmap=plt.cm.gray),plt.title('原图')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(canny,cmap = plt.cm.gray),plt.title('Canny检测后结果')
plt.xticks([]), plt.yticks([])
plt.show()
三、对比
Sobel边缘检测算法比较简单,实际应用中效率比canny边缘检测效率要高,但是边缘不如Canny检测的准确,但是很多实际应用的场合,sobel边缘却是首选,Sobel算子是高斯平滑与微分操作的结合体,所以其抗噪声能力很强,用途较多。尤其是效率要求较高,而对细纹理不太关心的时候。
边缘检测之Sobel算子和Canny算子相关推荐
- 数字图像处理---LOG算子和CANNY算子边缘提取(matlab)
LOG算子和CANNY算子边缘提取 边缘的含义: 在数字图像中,边缘是指图像局部变化最显著的部分,边缘主要存在于目标与目标,目标与背景之间,是图像局部特性的不连续性,如灰度的突变.纹理结构的突变.颜色 ...
- 图像梯度——Sobel算子和Laplacian算子
一.Sobel算子 1.定义 Sobel算子是一种离散的微分算子,结合了高斯平滑和微分求导运算,利用局部拆分寻找边缘,计算所得的是一个梯度的近似值. Sobel算子=|左-右|/|下-上| Schar ...
- python图像锐化 增强边缘_[Python图像处理]十一.图像锐化与边缘检测之Roberts算子、Prewitt算子、Sobel算子和Laplacian算子,Schar算子...
Roberts算子 Roberts算子即为交叉微分算法,它是基于交叉差分的梯度算法,通过局部差分计算检测边缘线条.常用来处理具有陡峭的第噪声图像,当图像边缘接近于正45度或负45度时,该算法处理效果更 ...
- Opencv(C++)笔记--Sobel算子和laplacian算子
目录 1--Sobel算子 1-1--原理 1-2--Opencv API 1-3--代码实例 1-4--Scharr算子 1-5--扩展操作 2--laplacian算子 2-1--原理 2-2-- ...
- [Python图像处理] 十八.图像锐化与边缘检测之Scharr算子、Canny算子和LOG算子
该系列文章是讲解Python OpenCV图像处理知识,前期主要讲解图像入门.OpenCV基础用法,中期讲解图像处理的各种算法,包括图像锐化算子.图像增强技术.图像分割等,后期结合深度学习研究图像识别 ...
- 12-图像梯度-Scharr算子和laplacian算子
Scharr算子 cv2.Scharr(img,cv2.CV_64F,1,0) 第一个参数:当前的图像对象名称 第二个参数:当前图像的深度,通常情况下指定为-1,表示输出和输入的深度是一样的:cv2. ...
- Flink的Union算子和Connect算子,流合并
Union算子 合并多个流,新的流会包含所有流当中的数据,但是Union有一个限制,就是所有合并的流的数据类型必须是一直的,该算子总额和配合窗口使用.该算子基本和Join没没什么关系. package ...
- OpenCV_08 边缘检测:Sobel检测算子+Laplacian算子+Canny边缘检测
1 原理 边缘检测是图像处理和计算机视觉中的基本问题,边缘检测的目的是标识数字图像中亮度变化明显的点.图像属性中的显著变化通常反映了属性的重要事件和变化.边缘的表现形式如下图所示: 图像边缘检测大幅度 ...
- 【OpenCV入门教程之十二】OpenCV边缘检测:Canny算子,Sobel算子,Laplace算子,Scharr滤波器合辑
本系列文章由@浅墨_毛星云 出品,转载请注明出处. 文章链接: http://blog.csdn.net/poem_qianmo/article/details/25560901 作者:毛星云(浅墨) ...
最新文章
- property Alternative forms propretie
- flask简单的登录demo
- 关于python编码的问题
- word技巧 很有用~
- iOS中Block的基础用法
- Java解析Excel工具类(兼容xls和xlsx)
- AIX上报:“Shell will time out in 60 seconds” 解决办法
- ArcPy处理土地利用类型数据
- Java基础知识强化之IO流笔记44:IO流练习之 复制图片的 4 种方式案例
- 试用版SQL Server 2008提示评估期已过 解决办法
- FPGA verilog基本外设练习(五)-串口通信
- 递归算法php,PHP递归算法(二)
- 计算机能使用硬盘吗,旧电脑的硬盘能直接插在新电脑上用吗?
- Java 扫描微信公众号二维码,关注并自动登录网站
- oracle 12c rac tablespace 表空间删除办法
- Face Attention Network: An Effective Face Detector for the Occluded Faces
- HNU君陌:写一点文艺的东西
- ASPNet请求处理机制初步探索之旅Part2核心
- 数字中国建设意义和面临的挑战
- 求1到100之间的素数