首页 > 编程语言 >图像处理-边缘检测算法的原理和实现

图像处理-边缘检测算法的原理和实现

时间:2024-09-12 17:51:14浏览次数:10  
标签:gray plt img 检测 算子 cv2 算法 图像处理 梯度

概述

边缘检测是图像处理中的一项重要任务,其原理是基于图像的梯度计算。梯度是函数的变化速率,图像中的边缘意味着像素灰度值的快速变化。常用的边缘检测算法有Sobel算子、Prewitt算子、Laplacian算子、Canny算子等。

Sobel算子(滤波器)

Sobel滤波器通过使用两个3x3卷积核(也称为掩模)来计算图像灰度值的水平和垂直梯度。分别称为G_{x}G_{y}

水平梯度核:

G_{x}=\begin{bmatrix} -1 & 0 &1 \\ -2&0 &2 \\ -1&0 &1 \end{bmatrix}

垂直梯度核:

G_{y}=\begin{bmatrix} -1 &-2 &-1 \\ 0 & 0& 0\\ 1&2 &1 \end{bmatrix}

梯度计算:

对于每个像素点I(x,y),应用这些卷积核以获得水平和垂直方向上的梯度值:

G_{x}(x,y)=\sum_{i=-1}^{1}\sum_{j=-1}^{1}I(x+i,y+j)\cdot G_{x}(i+1,j+1)

G_{y}(x,y)=\sum_{i=-1}^{1}\sum_{j=-1}^{1}I(x+i,y+j)\cdot G_{y}(i+1,j+1)

计算梯度幅值:

G=\sqrt{G_{x}+G_{y}}

梯度方向:

\theta =arctan(\frac{G_{y}}{G_{x}})

梯度幅值也可以使用|G_{x}|+|G_{y}|进行近似计算,最后根据设定的阈值进行二值化处理,将梯度幅值大于阈值的点标记为边缘点,否则标记为非边缘点。

Prewitt算子

Prewitt算子与Sobel算子类似,同样是一种基于梯度的算法,但是使用了不同的权重系数。

水平梯度核:

G_{x}=\begin{bmatrix} -1 & 0 &1 \\ -1&0 &1 \\ -1&0 &1 \end{bmatrix}

垂直梯度核:

G_{y}=\begin{bmatrix} -1 &-1 &-1 \\ 0 & 0& 0\\ 1&1 &1 \end{bmatrix}

Laplacian算子

Laplacian(拉普拉斯)算子是一种二阶导数算子,它不再以x和y的方向计算,而是以圆方向计算变化率。因此不需要求梯度幅值。它的卷积核可以表示为:

G=\begin{bmatrix} 0 &1 &0 \\ 1 & -4& 1\\ 0&1 &0 \end{bmatrix}

Canny算子

一阶导数、二阶导数的边缘算子虽然简单易用,但存在一些缺点。例如容易受噪声影响,容易产生虚假边缘。

John F. Canny 在 1986 年提出了 Canny 边缘检测算法。它是结合了梯度计算方法和非极大值抑制技术的一种边缘检测算法。该算法克服了之前的边缘检测算法在抑制噪声和保持边缘信息方面的缺陷,具有较好的性能。

Canny算子的步骤如下:

        噪声抑制:利用高斯滤波器对输入图像进行平滑处理,以减少图像中的噪声。
        梯度计算:通过对平滑后的图像应用Sobel(或Prewitt)算子,计算每个像素点的梯度幅值和方向。
        非极大值抑制:在梯度图像上,对每个像素点在其梯度方向上进行比较,并保留局部最大值点,抑制非边缘像素。
        双阈值检测:根据设定的高阈值和低阈值,将梯度图像中的像素点分为强边缘、弱边缘和非边缘三个部分。
        边缘连接:通过连接强边缘像素和与之相连的弱边缘像素,形成完整的边缘。

python代码实现

利用OpenCV实现边缘检测的示例代码:

import cv2
import numpy as np
from matplotlib import pyplot as plt

image_color = cv2.imread('lena.png')
image_gray = cv2.imread('lena.png', cv2.IMREAD_GRAYSCALE)

"""------------------------------Sobel-------------------------------------"""
# 使用OpenCV的Sobel函数计算梯度
"""
cv2.Sobel(src, ddepth, dx, dy[, ksize[, scale[, delta[, borderType]]]])  # 参数:
src: 输入图像
ddepth: 输出图像的深度(可以理解为数据类型),-1表示与原图像相同的深度
dx, dy: 当组合为dx = 1, du = 0 时求x方向的一阶导数,当组合为dx = 0, dy = 1 时求y方向的一阶导数(如果同时为1,通常效果不佳)
ksize: (可选参数) Sobel算子的大小,必须是1, 3, 5或者7(奇数), 默认为3。
"""
sobel_x = cv2.Sobel(image_gray, cv2.CV_64F, 1, 0, ksize=3)
sobel_y = cv2.Sobel(image_gray, cv2.CV_64F, 0, 1, ksize=3)
# 计算梯度幅值,图像归一化
sobel_img = np.hypot(sobel_x, sobel_y)
sobel_img = np.uint8(sobel_img / np.max(sobel_img) * 255)

"""------------------------------Prewitt-------------------------------------"""
kernelx = np.array([[1, 1, 1], [0, 0, 0], [-1, -1, -1]], dtype=int)
kernely = np.array([[-1, 0, 1], [-1, 0, 1], [-1, 0, 1]], dtype=int)
prewitt_x = cv2.filter2D(image_gray, -1, kernelx)
prewitt_y = cv2.filter2D(image_gray, -1, kernely)
prewitt_img = np.hypot(prewitt_x, prewitt_y)
prewitt_img = np.uint8(prewitt_img / np.max(prewitt_img) * 255)

"""------------------------------Laplacian-------------------------------------"""
# 使用OpenCV的Laplacian函数
"""
cv2.Laplacian(src, ddepth[, dst[, ksize[, scalel, delta[, borderType]]]]])
参数说明:
src:输入图像,可以是灰度图像,也可以是多通道的彩色图像
ddepth:输出图片的数据深度,由输入图像的深度进行选择
ksize:计算二阶导数滤波器的孔径大小,必须为正奇数,可选项
scale:缩放比例因子,可选项,默认值为 1
delta:输出图像的偏移量,可选项,默认值为 0
"""
lap_img = cv2.Laplacian(image_gray, cv2.CV_64F)
lap_img = cv2.convertScaleAbs(lap_img)

"""------------------------------Canny-------------------------------------"""
# 使用OpenCV的Canny函数
"""
cv.Canny( image, threshold1, threshold2[, apertureSize[, L2gradient]])
image 为输入图像
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。通常高阈值是低阈值的2到3倍。
"""
canny_img = cv2.Canny(image_gray, 100, 200)

image_color_rgb = cv2.cvtColor(image_color, cv2.COLOR_BGR2RGB)
plt.figure(figsize=(10, 7))
plt.subplot(2, 3, 1), plt.title('Original Image'), plt.imshow(image_color_rgb, cmap='gray')
plt.subplot(2, 3, 2), plt.title('Gray Image'), plt.imshow(image_gray, cmap='gray')
plt.subplot(2, 3, 3), plt.title('Sobel'), plt.imshow(sobel_img, cmap='gray')
plt.subplot(2, 3, 4), plt.title('Prewitt'), plt.imshow(prewitt_img, cmap='gray')
plt.subplot(2, 3, 5), plt.title('Laplacian'), plt.imshow(lap_img, cmap='gray')
plt.subplot(2, 3, 6), plt.title('Canny'), plt.imshow(canny_img, cmap='gray')
plt.show()

标签:gray,plt,img,检测,算子,cv2,算法,图像处理,梯度
From: https://blog.csdn.net/qq_39631801/article/details/142104712

相关文章

  • NGINX的漏桶算法限流与gateway的令牌桶算法限流
    简单来讲漏桶算法与令牌桶算法的区别漏桶算法是指请求会打入到一个“桶”中,桶会以一定速率将请求递交下去。当请求过多的时候,桶内会积累请求等待递交;当请求积累超过桶的大小时,请求就会向水满的桶一样溢出(被桶抛弃)令牌桶算法是指桶会以固定的速率生成令牌并存入桶中,桶满后会暂停......
  • 安防监控视频平台LntonAIServer对比度检测算法:提升视频监控质量的关键
    LntonAIServer对比度检测算法是安防监控视频平台中的一种高级功能,用于确保视频图像质量的一致性和清晰度。以下是对这一算法的详细分析:1.算法定义与重要性 -定义:对比度检测算法用于评估图像各部分之间的差异程度。 -重要性:对比度对于视频内容的清晰度和细节表现至关重......
  • Python 和 Go 实现 AES 加密算法的技术详解
    AES(AdvancedEncryptionStandard,高级加密标准)是一种对称密钥加密算法,广泛应用于各种安全通信场景中。AES使用128、192或256位的密钥,能够提供不同级别的安全性。本文将详细讲解如何使用Python和Go来实现AES加密算法,提供代码示例并对其进行逐步解析。1.什么是AES加密......
  • 云监控治理检测:云监控的自助化最佳实践
    概述在数字化转型浪潮中,云计算技术已成为企业实现敏捷性和创新的重要工具。作为全球领先的云服务提供商,阿里云在帮助企业实现高效云管理方面发挥着重要作用。然而,随着云环境的日益复杂化和规模的不断扩大,如何有效管理和监控云资源,确保其高效、安全、合规地运行,成为企业面临的挑......
  • 文心一言 VS 讯飞星火 VS chatgpt (345)-- 算法导论23.2 4题
    四、假定图中的边权重全部为整数,且在范围内。在此种情况下,Kruskal算法最快能多快?如果边的权重取值范围在1到某个常数之间呢?如果要写代码,请用go语言。文心一言:首先,我们探讨Kruskal算法在不同条件下的性能表现,并给出基于Go语言的实现。1.当边权重全部在范围内时在这种情况下,边的权重......
  • Yolo第Y1周:详解YOLO检测算法的训练参数
    目录Yolo第Y1周:详解YOLO检测算法的训练参数Yolo第Y1周:详解YOLO检测算法的训练参数......
  • Yolo第Y2周:如何正确解读YOLO算法训练结果的各项指标
    目录Yolo第Y2周:如何正确解读YOLO算法训练结果的各项指标weights文件夹:最终的仙丹results.png:训练总图要略loss系列:打明牌的能力box_loss边界框损失:衡量画框cls_loss分类损失:判断框里的物体dfl_loss分布式焦点损失:精益求精验证集:学得好,不一定考得好精度和召回率:又准又全的考量r......
  • Ethereum学习笔记 ---- 多重继承中的 C3线性化算法
    目录举个反例分析错误原因举个正例分析solidity中的多重继承多重继承合约的storagelayout学习solidity合约多重继承时,官方文档介绍solidity采用C3线性化算法来确定多重依赖中的继承顺序。维基百科上有很好的说明:C3线性化C3linearization下面通过实验来深入理解一下......
  • APA(自动泊车辅助系统)_路径规划算法(A_算法)
    APA(自动泊车辅助系统):路径规划算法(A*算法)前言A*算法在网上有许多讲解,各种各样的版本都有,包括“文档”或者“视频”的形式都能够找到,这些讲解中都是作者基于作者个人的理解进行的,其中对算法的理解难免有出入,这就导致了后来者往往学习后出现“稀里糊涂”的感觉,这其中就......
  • 《数字图像处理(面向新工科的电工电子信息基础课程系列教材)》Chapter 1课件2024
    每一轮备课都有新的感悟。禹晶、肖创柏、廖庆敏《数字图像处理(面向新工科的电工电子信息基础课程系列教材)》禹晶、肖创柏、廖庆敏《数字图像处理》资源二维码......