求助：MATLAB处理图像，已提取边缘，也得到了边缘的二值矩阵，提取坐标是用【m,n】 = find(BW==1)

Posted 2023-04-25

MATLAB处理图像，已提取边缘，也得到了边缘的二值矩阵，提取坐标是用【m,n】 = find(BW==1)，但是得到的坐标并不是连续的，我想得到按顺时针或逆时针排列的边缘点的坐标，请问有没有函数可以处理这个，或者提供一个编程思路也可以。

index(:,1) = m;
index(:,2) = n;
b = sortrows(index,1); % 按m排序
c = sortrows(index,2);  % 按n排序

追问

感谢你的帮助，我刚看了下sortrows的用法，简单理解就是按某一列将矩阵的行排序。但是我希望做的是得到一个连续的图像边缘的坐标，就比如（2,2），（3,3），（4,1）这样的点，就是index矩阵中下一行的坐标可以做到挨着上一行就好。不知道这样的要求你有没有办法处理？感激不尽

追答

sortrow是整行排序啊，不是单一列的。

>> a = [4 1; 3 3; 2 2];
>> sortrows(a,1)
ans =
     2     2
     3     3
     4     1

这不就是你要的结果么？

另外，你的检测结果是一个不规则的多边形，所以并不存在一个严格的顺时针或者逆时针。

建议你重新考虑一下，你需要这么做的目的是什么？可能并不需要你想的那么复杂。

追问

是这样，整体需要做的是提取这个边缘的一些特征，现阶段是想提取边缘的凹凸点，然后想法就是算每相邻两点之间的向量，然后每相邻两个向量做叉积，以此找到凹凸点，然后利用凹凸点算弦长弦距分叶等特征，但就在求相邻点向量的阶段出了问题，所以觉得应该求一个有顺序的连续点矩阵，这样才能保证n和n+1点，n+1,n+2这样的点之间做向量以后能描述边缘特征。

追答

你的追问和评论看了一下，针对你的检测结果，就会出现这样的情况。而且，对于比较光滑的图像边界而言，有时凹凸区域是一段光滑曲线，这种情况下是否需要定义一个凹凸点存在。
上述情况下，可以考虑先使用多边形来近似对象边界，然后得到凹凸点，具体可以参看冈萨雷斯“数字图像处理（MATLAB版）”第11章表示与描述中的节11.2.2使用最小周长多边形的多边形近似。
但我没有实现过类似的方法，建议仅供参考。

参考技术A 你好，请问你的代码编的怎么样了 我也碰到同样的问题，可不可以交流一下 谢谢~

二值化处理与边缘检测

参考技术A

问题： 我在提取图像边缘的时候，首先对图像进行灰度变换，之后进行二值处理，最后进行边缘检测得到边缘图像。
但是在查阅资料的过程中我经常发现很多人忽略二值化的步骤，直接进行边缘检测；还有很多人在实现某些功能的时候先进行边缘检测之后再阈值分割，让我感到非常迷惑，这篇文章旨在探求二者的关系。

首先要知道图像二值化和边缘检测的目的。

图像的阈值处理一般使得图像的像素值更单一、图像更简单。阈值可以分为全局阈值和局部阈值，可以是单阈值也可以是多阈值。
图像二值化是设置单阈值，为了将图像中感兴趣的像素分离出来作为前景像素，不感兴趣的部分作为背景像素。

最简单的二值化操作是使用以下函数：（这是全局化的阈值）

上述的二值化处理是设置一个全局阈值，让所有像素值与该阈值比较，下面还可以通过自适应阈值实现图像的二值化处理。
自适应阈值不需要确定一个固定的阈值，根据其对应的自适应方法，通过图像的局部特征自适应的设定阈值，做出二值化处理。
自适应阈值是一种局部阈值，要在图像中确定一个区域，求出该区域内的像素平均值，再与阈值比较

adaptiveMethod - 指定计算阈值的方法。
  cv2.ADPTIVE_THRESH_MEAN_C：阈值取相邻区域的平均值
  cv2.ADPTIVE_THRESH_GAUSSIAN_C：阈值取相邻区域的加权和，权重为一个高斯窗口。

thresholdType - 和上面一样
blockSize - 邻域大小（用来计算阈值的区域大小），计算图像的像素区域一般取3×3、5×5、7×7.....
C - 常数，阈值等于平均值或者加权平均值减去这个常数。该参数用于微调阈值，可以为负数

还有一种非常多人提及的方法——Otsu’s 二值化，这种方法下次再记录。

要对图像进行边缘检测，首先对图像进行灰度变换，使图像只包含一个通道的信息，然后比较各相邻像素间的亮度差别，亮度产生突变的地方就是边缘像素，将这些边缘像素点连接到一起就形成了边缘图像。
那么首先要知道如何检测出边缘：
边缘有方向和幅值两个要素，通常对图像相邻域像素求取梯度来描述和检测边缘。
为何要求梯度？
图像梯度是对多个方向分别求偏导得到的导数组。比如下图是亮度在x方向上变化，在y方向上没有变化，所以此时只需对x求偏导，该处关于y的偏导为0。

同样图像的亮度在y轴变化时，x方向的偏导为0。

我们知道，当一个函数在某处变化大的时候，它的导数在该处得到极值。

可以看到，图像由亮变暗时函数陡然下降，导数得到极小值，由暗变亮时函数又陡然上升，导数得到极大值，接下来只要找到导数的峰值就行。

这里主要了解Canny边缘检测算法。
Canny算子首先对图像进行平滑滤波，滤除图像的噪声以减少噪声对图像边缘检测的干扰。
下面这两篇文章对Canny算子的介绍非常清晰，在此附上链接以供学习。
https://www.cnblogs.com/techyan1990/p/7291771.html
https://www.cnblogs.com/wjy-lulu/p/6672871.html?utm_source=itdadao&utm_medium=referral
在进行边缘检测之前至少要将图像灰度化，因为梯度运算并不能反映色彩的变化差异，所以转换成只有一种颜色通道的灰度图像能够更好地进行边缘检测。

深入了解过图像二值化和边缘检测之后，我认为既可以直接使用灰度图像进行边缘检测，也可以二值化之后再进行边缘检测，二值化的目的是进一步简化灰度图像，使图像中的信息更加纯粹，边缘亮度变化更加明显。如果阈值选的较好还可以滤除不需要的弱边缘，使边缘处理后的图像轮廓更加清晰。

还有一种方法是先进行边缘检测，再二值化，这种情况一般适用于：
想得到二值化图像，但由于原图出现光照不均、前景和背景灰度差别很小等情况，我们不能直接得到完整的目标，这时就可以利用边缘检测对光线变化的不敏感性，先对图像作边缘检测，检测出我们想要进一步研究的目标轮廓，然后再根据只有边缘的图像，求出原图像所有边缘点的像素平均值，将该值作为阈值对原图像进行二值处理，就能很好得获得目标区域，并且目标区域的连通性也很好。

笔者刚刚开始学习图像处理与计算机视觉，可能会出现许多错误，欢迎各位提出改进意见！