课题总结OpenCV 抠图项目实战边缘检测

Posted 2022-03-26 小白YouCans

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了课题总结OpenCV 抠图项目实战边缘检测相关的知识，希望对你有一定的参考价值。

Python 小白的课题报告—OpenCV 抠图项目实战（7）

本系列是 Python 小白的课题作业《基于OpenCV 的图像分割和抠图》。
需要说明的是，本系列并不能算是 OpenCV 的抠图项目教程，只是以此为主题的课题报告。其中包括了一个较为完整的 PyQt 项目。

第四章图像分割

4.1 边缘检测

边缘是指图像中两个不同区域的边界线上连续的像素点的集合，是图像局部特征不连续性的反映，体现了灰度、颜色、纹理等图像特性的突变。
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。
边缘的灰度值呈现出阶跃型或屋顶型变化。阶跃型边缘两边像素点的灰度值存在着明显的差异，而屋顶型边缘则位于灰度值上升或下降的转折处。

梯度指出了像素值的最大变化率的方向，使用微分算子可以进行边缘检测：

恒定灰度区域，一阶导数为零，二阶导数为零；
灰度台阶或斜坡起点区域，一阶导数非零，，二阶导数非零；
灰度斜坡区域，一阶导数非零，二阶导数为零。
一阶导数、二阶导数的有限差分公式为：
$f/∂x=f(x+1)-f(x)\\\\ (∂^2 f)/(∂x^2 )=f(x+1)-2f(x)+f(x-1)$

图像梯度提取方法简单直接，能够有效的描述图像的原始状态，因此发展出多种图像梯度算子，常用的有Laplacian、Soble和Canny算子。

1. 拉普拉斯算子（Laplacian）

最简单的各向同性导数算子（卷积核）是拉普拉斯算子（Laplacian）。

Laplace 是导数算子，会突出图像中的急剧灰度变化，抑制灰度缓慢变化区域，往往会产生暗色背景下的灰色边缘和不连续图像。将拉普拉斯图像与原图叠加，可以得到保留锐化效果的图像。

拉普拉斯卷积核很容易通过卷积操作 cv. filter_2d 实现，OpenCV 也提供了拉普拉斯算子 cv.Laplacian 来实现。

函数说明：

cv.Laplacian(src, ddepth[, dst[, ksize[, scale[, delta[, borderType]]]]]) → dst

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：
dst：输出图像，大小和类型与 src 相同
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
borderType：边界扩充的类型，注意不支持对侧填充（BORDER_WRAP）

使用Laplacian算子进行边缘检测的基本程序如下：


# MattingLaplacian.py
# edge detection by Laplacian
# Copyright 2021 youcans, XUPT
# Crated：2021-12-10

import cv2 as cv
from matplotlib.figure import Figure

img = cv2.imread("../images/Fig0338a.tif", flags=0)  # NASA 月球影像图

# 使用 cv2.Laplacian 实现 Laplace 卷积算子
imgLaplace2 = cv2.Laplacian(img, -1, ksize=3)
imgRecovery = cv2.add(img, imgLaplace2)  # 恢复原图像

# 二值化边缘图再卷积
ret, binary = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_TRIANGLE)
imgLaplace3 = cv2.Laplacian(binary, cv2.CV_64F)
imgLaplace3 = cv2.convertScaleAbs(imgLaplace3)

plt.figure(figsize=(9, 6))
plt.subplot(131), plt.axis('off'), plt.title("Original")
plt.imshow(img, cmap='gray', vmin=0, vmax=255)
plt.subplot(132), plt.axis('off'), plt.title("cv.Laplacian")
plt.imshow(imgLaplace2, cmap='gray', vmin=0, vmax=255)
plt.subplot(133), plt.axis('off'), plt.title("thresh-Laplacian")
plt.imshow(imgLaplace3, cmap='gray', vmin=0, vmax=255)
plt.tight_layout()
plt.show()

使用Laplacian算子进行边缘检测的结果如下图所示。

图4.1 Laplacian算子进行边缘检测

2. 索贝尔梯度算子（Sobel）

Sobel 算子是一种离散的微分算子，是高斯平滑和微分求导的联合运算，抗噪声能力强。
Sobel 梯度算子利用局部差分寻找边缘，计算得到梯度的近似值。先计算水平、垂直方向的梯度，再求总梯度。编程实现时，可以用绝对值近似平方根。
OpenCV 也提供了函数 cv.Sobel() 实现 Sobel 梯度算子。

函数说明：

cv.Sobel(src, ddepth, dx, dy[, dst[, ksize[, scale[, delta[, borderType]]]]]) → dst

参数说明：

src：输入图像，灰度图像，不适用彩色图像
dst：输出图像，大小和类型与 src 相同
ddepth：输出图片的数据深度，由输入图像的深度进行选择
dx：x 轴方向导数的阶数，1 或 2
dy：y 轴方向导数的阶数，1 或 2
ksize：Sobel算子卷积核的大小
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

使用Sobel算子进行边缘检测的基本程序如下：

# MattingSobel.py
# edge detection by Sobel
# Copyright 2021 youcans, XUPT
# Crated：2021-12-10

import cv2 as cv
from matplotlib.figure import Figure

img = cv2.imread("../images/imgGaia.tif", flags=0)

# 使用函数 filter2D 实现 Sobel 算子
kernSobelX = np.array([[-1, 0, 1], [-2, 0, 2], [-1, 0, 1]])  # SobelX kernel
kernSobelY = np.array([[-1, -2, -1], [0, 0, 0], [1, 2, 1]])  # SobelY kernel
imgSobelX = cv2.filter2D(img, -1, kernSobelX, borderType=cv2.BORDER_REFLECT)
imgSobelY = cv2.filter2D(img, -1, kernSobelY, borderType=cv2.BORDER_REFLECT)

# 使用 cv2.Sobel 实现 Sobel 算子
SobelX = cv2.Sobel(img, cv2.CV_16S, 1, 0)  # 计算 x 轴方向
SobelY = cv2.Sobel(img, cv2.CV_16S, 0, 1)  # 计算 y 轴方向
absX = cv2.convertScaleAbs(SobelX)  # 转回 uint8
absY = cv2.convertScaleAbs(SobelY)  # 转回 uint8
SobelXY = cv2.addWeighted(absX, 0.5, absY, 0.5, 0)  # 用绝对值近似平方根

plt.figure(figsize=(10, 6))
plt.subplot(141), plt.axis('off'), plt.title("Original")
plt.imshow(img, cmap='gray', vmin=0, vmax=255)
plt.subplot(142), plt.axis('off'), plt.title("SobelX")
plt.imshow(SobelX, cmap='gray', vmin=0, vmax=255)
plt.subplot(143), plt.axis('off'), plt.title("SobelY")
plt.imshow(SobelY, cmap='gray', vmin=0, vmax=255)
plt.subplot(144), plt.axis('off'), plt.title("SobelXY")
plt.imshow(SobelXY, cmap='gray')
plt.tight_layout()
plt.show()

使用Sobel算子进行边缘检测的结果如下图所示。

图4.2 Sobel算子进行边缘检测

3. Canny 边缘检测

Canny边缘检测是由Jhon F.Canny提出的算法，具有低错误率、定位良好、最小响应的特点。
Canny算子在过滤噪声、计算梯度的同时实现非最大值抑制，不容易受噪声的干扰。采用双阈值法可以分别检测到强边缘和弱边缘，并且仅当弱边缘与强边缘相连时，才将弱边缘包含在输出结果中，这就保障了检测到真正的弱边缘。

Canny算法的工作原理为：
（1）使用高斯滤波器对图像进行平滑去噪；
（2）计算输入图像梯度；
（3）在边缘上使用非极大值抑制（NMS）进行过滤；
（4）在检测到的边缘上使用双阈值法去除假阳性；
（5）分析所有的边缘及其连接，以保留真正的边缘并消除不明显的边缘；

OpenCV 也提供了函数 cv.Sobel() 实现 Sobel 梯度算子。

函数说明：

cv.Canny(image, threshold1, threshold2[, edges[, apertureSize[, L2gradient]]]) → edges

参数说明：

image：输入图像，灰度图像，不适用彩色图像
edges：输出图像，单通道 8bit图像，大小与images相同
threshold1：滞后过程的较小阈值，用于边缘连接
threshold2：滞后过程的较大阈值，用于查找明显的边缘
apertureSize：Sobel算子的卷积核大小
L2gradient：标志，使用 L1范数或 L2范数正则化

使用 Canny()进行边缘检测的基本程序如下：

# MattingCanny.py
# edge detection by Cann
# Copyright 2021 youcans, XUPTy
# Crated：2021-12-10

import cv2 as cv
from matplotlib.figure import Figure

imgOri = cv2.imread("../images/imgGaia.tif", flags=0)

# canny(): 边缘检测
imgBlur = cv2.GaussianBlur(imgOri, (3, 3), 0)
imgCanny = cv2.Canny(imgBlur, 50, 150)

# 形态学：边缘检测
_, imgThr = cv2.threshold(imgOri, 200, 255, cv2.THRESH_BINARY)  # 固定阈值二值化
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))  # 定义矩形结构元素
gradient = cv2.morphologyEx(Thr_img, cv2.MORPH_GRADIENT, kernel)  # 梯度

plt.figure(figsize=(9, 6))
plt.subplot(221), plt.axis('off'), plt.title("Original")
plt.imshow(imgOri, cmap='gray', vmin=0, vmax=255)
plt.subplot(222), plt.axis('off'), plt.title("GaussianBlur")
plt.imshow(imgBlur, cmap='gray', vmin=0, vmax=255)
plt.subplot(223), plt.axis('off'), plt.title("Canny detection")
plt.imshow(imgCanny, cmap='gray', vmin=0, vmax=255)
plt.subplot(224), plt.axis('off'), plt.title("Gradient detection")
plt.imshow(gradient, cmap='gray')
plt.tight_layout()
plt.show()