使用 Canny 在倾斜图像中寻找边缘

Posted 2023-02-21

【中文标题】使用 Canny 在倾斜图像中寻找边缘

【英文标题】：finding edge in tilted image with Canny

【发布时间】：2018-07-04 08:29:53

【问题描述】：

我正在尝试在一系列图像中找到倾斜角度，这些图像看起来像下面创建的示例数据。应该有一个清晰的边缘是肉眼可见的。但是，到目前为止，我一直在努力提取边缘。 Canny 是在这里找到边缘的正确方法，还是有更好的方法来找到边缘？

import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt
from scipy.ndimage.filters import gaussian_filter

# create data
xvals = np.arange(0,2000)
yvals = 10000 * np.exp((xvals - 1600)/200) + 100
yvals[1600:] = 100
blurred = gaussian_filter(yvals, sigma=20)

# create image
img = np.tile(blurred,(2000,1))
img = np.swapaxes(img,0,1)

# rotate image
rows,cols = img.shape
M = cv.getRotationMatrix2D((cols/2,rows/2),3.7,1)
img = cv.warpAffine(img,M,(cols,rows))

# convert to uint8 for Canny
img_8 = cv.convertScaleAbs(img,alpha=(255.0/65535.0))
fig,ax = plt.subplots(3)
ax[0].plot(xvals,blurred)
ax[1].imshow(img)

# find edge
ax[2].imshow(cv.Canny(img_8, 20, 100, apertureSize=5))

【问题讨论】：

所有图像中的颜色是否总是相同的？或者它们可以是橙色和洋红色吗？您尝试找到其角度的线是否始终是直的，还是可能是波浪形的？

嘿，所以实际上它是一个灰度图像（这只是它的 matplotlib 表示）。角度始终是直的，并带有一些额外的噪音。

与地平线的预期最大/最小角度是多少？ +/- 45 度？ +/- 90 度？

速度是一个问题，还是无关紧要？

预期角度为 +- 15 度，与速度无关

【参考方案1】：

您可以通过将图像转换为二进制 (cv2.threshold(cv2.THRESH_BINARY)) 来找到角度，然后搜索轮廓。

当你找到你的轮廓（线）时，你可以在你的轮廓cv2.fitLine() 上拟合一条线并得到你的线的两个点。我的数学不是很好，但我认为在线性方程中，公式为f(x) = k*x + n，你可以从这两点（k = (y2-y1)/(x2-x1)）中得到k，最后是角度phi = arctan(k)。 （如有错误请指正）

您还可以使用旋转的边界矩形 - cv2.minAreaRect() - 它已经返回了矩形的角度 (rect = cv2.minAreaRect() --> rect[2])。希望能帮助到你。干杯！

这是一个示例代码：

import cv2
import numpy as np
import math

img = cv2.imread('angle.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, threshold = cv2.threshold(gray,170,255,cv2.THRESH_BINARY)
im, contours, hierarchy = cv2.findContours(threshold,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)
for c in contours:
    area = cv2.contourArea(c)
    perimeter = cv2.arcLength(c, False)
    if area < 10001 and 100 < perimeter < 1000:
        # first approach - fitting line and calculate with y=kx+n --> angle=tan^(-1)k
        rows,cols = img.shape[:2]
        [vx,vy,x,y] = cv2.fitLine(c, cv2.DIST_L2,0,0.01,0.01)
        lefty = int((-x*vy/vx) + y)
        righty = int(((cols-x)*vy/vx)+y)
        cv2.line(img,(cols-1,righty),(0,lefty),(0,255,0),2)
        (x1, y1) = (cols-1, righty)
        (x2, y2) = (0, lefty)
        k = (y2-y1)/(x2-x1)
        angle = math.atan(k)*180/math.pi
        print(angle)
        #second approch - cv2.minAreaRect --> returns center (x,y), (width, height), angle of rotation )
        rect = cv2.minAreaRect(c)
        box = cv2.boxPoints(rect)
        box = np.int0(box)
        cv2.drawContours(img,[box],0,(0,0,255),2)
        print(rect[2])

cv2.imshow('img2', img)

原图：

输出：

-3.8493663478518627

-3.7022125720977783

【参考方案2】：

三醇，

看起来你可以使用渐变图像 G = |Gx| + |戈瑞| （将其标准化到某个已知范围），计算其直方图并获取它的顶部箱。它会给你大概的线掩码。然后你可以做线拟合。它会给你一个很好的初步猜测。

【参考方案3】：

一个非常简单的方法如下...调整我的数字以适应您对数据的了解。

将您的图像标准化为 0-255 的比例。

选择两个点 A 和 B，其中 A 是图像宽度的 10% 从左侧开始，B 是从右侧开始的 10%。距离 AB 现在是 0.8 x 2000 或 1600 像素。

从 A 点向北对您的图像进行采样，直到您超过某个合理的阈值，这意味着您已遇到倾斜线。注意此时的 Y 值，为 YA。

做同样的事情，从 B 点向北走，直到遇到倾斜线。注意此时的 Y 值，为 YB。

你寻找的角度是：

tan-1((YB-YA)/1600) 

【参考方案4】：

kavko 建议的阈值设置效果不佳，因为图像之间的强度不同（我当然可以考虑每张图像的直方图来改进这种方法）。我最终在 y 方向上取了最大的梯度：

def rotate_image(image):
    blur = ndimage.gaussian_filter(image, sigma=10)    # blur image first
    grad = np.gradient(blur, axis= 0)    # take gradient along y-axis
    grad[grad>10000]=0    # filter unreasonable high values
    idx_maxline = np.argmax(grad, axis=0)    # get y-indices of max slope = indices of edge

    mean = np.mean(idx_maxline)
    std = np.std(idx_maxline)
    idx = np.arange(idx_maxline.shape[0])
    idx_filtered = idx[(idx_maxline < mean+std) & (idx_maxline > mean - std)]    # filter positions where highest slope is at different position(blobs)
    slope, intercept, r_value, p_value, std_err = stats.linregress(idx_filtered, idx_maxline[idx_filtered])
    out = ndimage.rotate(image,slope*180/np.pi, reshape = False)
    return out
out = rotate_image(img)
plt.imshow(out)