手机网站建站教育模板,公司简介宣传册设计样本图片,网站静态和动态区别是什么意思,哈尔滨整站优化文章目录 前言1.应用高斯滤波去除图像噪声2.计算梯度3.非极大值抑制4.应用双阈值确定边缘5.Canny函数及使用 前言
Canny边缘检测是一种流行的边缘检测算法#xff0c;用于检测图像中的边缘。它通过一系列步骤将图像中的像素边缘突出显示出来#xff0c;主要分为以下几个步骤… 文章目录 前言1.应用高斯滤波去除图像噪声2.计算梯度3.非极大值抑制4.应用双阈值确定边缘5.Canny函数及使用 前言
Canny边缘检测是一种流行的边缘检测算法用于检测图像中的边缘。它通过一系列步骤将图像中的像素边缘突出显示出来主要分为以下几个步骤
灰度化将图像转换为灰度图减少计算复杂度。高斯滤波使用高斯滤波器对图像进行平滑处理以减少噪声对边缘检测的影响。计算梯度通过计算图像的梯度通常使用Sobel算子来检测边缘的方向和强度。非极大值抑制对梯度幅值进行非极大值抑制以保留边缘并减少非边缘的杂点。双阈值处理通过设置高阈值和低阈值将强边缘和弱边缘分离出来。边缘连接根据强边缘将弱边缘连接起来形成最终的边缘检测结果。
1.应用高斯滤波去除图像噪声
由于图像边缘非常容易受到噪声的干扰因此为了避免检测到错误的边缘信息通常需要对图像进行滤波以去除噪声。滤波的目的是平滑一些纹理较弱的非边缘区域以便得到更准确的边缘。在实际处理过程中通常采用高斯滤波去除图像中的噪声。图1演示了使用高斯滤波器T对原始图像O中像素值为226的像素点进行滤波得到该点在滤波结果图像D内的值的过程。 图1 在滤波过程中我们通过滤波器对像素点周围的像素计算加权平均值获取最终滤波结果。对于高斯滤波器T越临近中心的点权值越大。在图1中对图像O中像素值为226的像素点使用滤波器T进行滤波的计算过程及结果为 当然高斯滤波器高斯核并不是固定的例如它还可以是 滤波器的大小也是可变的高斯核的大小对于边缘检测的效果具有很重要的作用。滤波器的核越大边缘信息对于噪声的敏感度就越低。不过核越大边缘检测的定位错误也会随之增加。通常来说一个5×5的核能够满足大多数的情况。
2.计算梯度
在上一章中我们介绍了如何计算图像梯度的幅度。在这里我们关注梯度的方向梯度的方向与边缘的方向是垂直的。
边缘检测算子返回水平方向的 G x G_x Gx和垂直方向的 G y G_y Gy。梯度的幅度 G G G和方向 θ \theta θ用角度值表示为 式中 a t a n 2 ( ⋅ ) atan2(·) atan2(⋅)表示具有两个参数的arctan函数。梯度的方向总是与边缘垂直的通常就近取值为水平左、右、垂直上、下、对角线右上、左上、左下、右下等8个不同的方向。因此在计算梯度时我们会得到梯度的幅度和角度代表梯度的方向两个值。图2展示了梯度的表示法。其中每一个梯度包含幅度和角度两个不同的值。为了方便观察这里使用了可视化表示方法。例如左上角顶点的值2↑实际上表示的是一个二元数对(2, 90)表示梯度的幅度为2角度为90°。 图2 3.非极大值抑制
在获得了梯度的幅度和方向后遍历图像中的像素点去除所有非边缘的点。在具体实现时逐一遍历像素点判断当前像素点是否是周围像素点中具有相同梯度方向的最大值并根据判断结果决定是否抑制该点。通过以上描述可知该步骤是边缘细化的过程。针对每一个像素点
如果该点是正/负梯度方向上的局部最大值则保留该点。如果不是则抑制该点归零。
在图3中A、B、C三点具有相同的方向梯度方向垂直于边缘。判断这三个点是否为各自的局部最大值如果是则保留该点否则抑制该点归零。 图3 经过比较判断可知A点具有最大的局部值所以保留A点称为边缘其余两点B和C被抑制归零。
在图4中黑色背景的点都是向上方向梯度水平边缘的局部最大值。因此这些点会被保留其余点被抑制处理为0。这意味着这些黑色背景的点最终会被处理为边缘点而其他点都被处理为非边缘点。 图4 正/负梯度方向上是指相反方向的梯度方向。例如在图5中黑色背景的像素点都是垂直方向梯度向上、向下方向上即水平边缘的局部最大值。这些点最终会被处理为边缘点。 图5 经过上述处理后对于同一个方向的若干个边缘点基本上仅保留了一个因此实现了边缘细化的目的。
4.应用双阈值确定边缘
完成上述步骤后图像内的强边缘已经在当前获取的边缘图像内。但是一些虚边缘可能也在边缘图像内。这些虚边缘可能是真实图像产生的也可能是由于噪声所产生的。对于后者必须将其剔除。
设置两个阈值其中一个为高阈值maxVal另一个为低阈值minVal。根据当前边缘像素的梯度值指的是梯度幅度下同与这两个阈值之间的关系判断边缘的属性。具体步骤为
如果当前边缘像素的梯度值大于或等于maxVal则将当前边缘像素标记为强边缘。如果当前边缘像素的梯度值介于maxVal与minVal之间则将当前边缘像素标记为虚边缘需要保留。如果当前边缘像素的梯度值小于或等于minVal则抑制当前边缘像素。在上述过程中我们得到了虚边缘需要对其做进一步处理。一般通过判断虚边缘与强边缘是否连接来确定虚边缘到底属于哪种情况。通常情况下如果一个虚边缘 与强边缘连接则将该边缘处理为边缘。与强边缘无连接则该边缘为弱边缘将其抑制。
在图6中左图显示的是三个边缘信息右图是对边缘信息进行分类的示意图具体划分如下 图6 A点的梯度值值大于maxVal因此A是强边缘。B和C点的梯度值介于maxVal和minVal之间因此B、C是虚边缘。D点的梯度值小于minVal因此D被抑制抛弃。
图7显示了对图6中的虚边缘B和C的处理结果。其中 图7 B点的梯度值介于maxVal和minVal之间是虚边缘但该点与强边缘不相连故将其抛弃。C点的梯度值介于maxVal和minVal之间是虚边缘但该点与强边缘A相连故将其保留。
注意高阈值maxVal和低阈值minVal不是固定的需要针对不同的图像进行定义。
5.Canny函数及使用
OpenCV提供了函数cv2.Canny()来实现Canny边缘检测其语法形式如下
edges cv.Canny( image, threshold1, threshold2[, apertureSize[, L2gradient]])式中
edges为计算得到的边缘图像。image为8位输入图像。threshold1表示处理过程中的第一个阈值。threshold2表示处理过程中的第二个阈值。apertureSize表示Sobel算子的孔径大小。L2gradient为计算图像梯度幅度gradient magnitude的标识。其默认值为False。如果为True则使用更精确的L2范数进行计算即两个方向的导数的平方和再开方否则使用L1范数直接将两个方向导数的绝对值相加。 代码 使用函数cv2.Canny()获取图像的边缘并尝试使用不同大小的threshold1和threshold2观察获取到的边缘有何不同。
import cv2
ocv2.imread(lena.bmp, cv2.IMREAD_GRAYSCALE)
r1cv2.Canny(o,128,200)
r2cv2.Canny(o,32,128)
cv2.imshow(original, o)
cv2.imshow(result1, r1)
cv2.imshow(result2, r2)
cv2.waitKey()
cv2.destroyAllWindows()运行程序结果如图9所示。其中
original图是原始图像。result1图是参数threshold1为128、threshold2为200时的边缘检测结果。result2图是参数threshold1为32、threshold2为128时的边缘检测结果。
