邊緣和輪廓檢測(cè)——計(jì)算機(jī)視覺的應(yīng)用

點(diǎn)擊下方“AI算法與圖像處理”，一起進(jìn)步！
重磅干貨，第一時(shí)間送達(dá)

計(jì)算機(jī)視覺的重點(diǎn)是從計(jì)算機(jī)中的視頻和圖像中提取有意義的信息。在本文中，我們將從初學(xué)者開始探索一個(gè)使用 OpenCV 的出色計(jì)算機(jī)視覺項(xiàng)目。

其標(biāo)題是“使用計(jì)算機(jī)視覺進(jìn)行邊緣和輪廓檢測(cè)”。對(duì)于此項(xiàng)目，你還將看到描述、源代碼和圖像分類。

邊緣檢測(cè)

邊緣檢測(cè)是一種用于定位圖像中對(duì)象邊界的圖像處理技術(shù)。最流行和廣泛使用的算法之一是 Canny 邊緣檢測(cè)器。

Canny 邊緣檢測(cè)器是一種立足點(diǎn)檢測(cè)算子，它使用多階段算法來檢測(cè)圖像中的各種邊緣。

主要階段是：

1. 使用高斯模糊算法，過濾掉圖像。
2. 在 Sobel 濾波器的幫助下，找出邊緣的強(qiáng)度和方向。
3. 通過應(yīng)用非極大值抑制來隔離更強(qiáng)的邊緣并將它們細(xì)化為一條像素寬的線。
4. 使用滯后來隔離最簡單的邊緣。

下面我們安裝 OpenCV ：

pip3?install?opencv-python?matplotlib?numpy

打開一個(gè) Python 文件并按照以下步驟操作：

import?cv2
import?numpy?as?np
import?matplotlib.pyplot?as?plt

現(xiàn)在為了檢測(cè)它的邊緣，我們必須讀取圖像：

#?read?the?image
image?=?cv2.imread("little_flower.jpg")

首先，我們必須將圖像轉(zhuǎn)換為灰度，然后，我們可以繼續(xù)將圖像繞過 Canny 邊緣檢測(cè)器。

我們來看一下：

#?convert?it?to?grayscale
gray?=?cv2.cvtColor(image,?cv2.COLOR_BGR2GRAY)

讓我們來看看它：

#?show?the?grayscale?image
plt.imshow(gray,?cmap="gray")
plt.show()

在 Canny 算法的幫助下，我們必須標(biāo)記作為輸入的圖像中的邊緣。

輸入圖像首先傳遞給 cv2.Canny() 函數(shù)，然后用于邊緣檢測(cè)。

#?perform?the?canny?edge?detector?to?detect?image?edges
edges?=?cv2.Canny(gray,?threshold1=30,?threshold2=100)

閾值 1 和閾值 2 之間的最小值用于邊緣鏈接。最重要的值用于尋找強(qiáng)邊緣的初始段。

讓我們看看結(jié)果圖像：

有趣的是，嘗試微調(diào)邊緣值，看看你是否會(huì)讓它變得更好。

如果你想使用實(shí)時(shí)攝像頭，這里是完整的代碼：

import?NumPy?as?np
import?cv2
cap?=?cv2.VideoCapture(0)
while?True:
????_,?frame?=?cap.read()
????gray?=?cv2.cvtColor(frame,?cv2.COLOR_BGR2GRAY)
????edges?=?cv2.Canny(gray,?30,?100)
????cv2.imshow("edges",?edges)
????cv2.imshow("gray",?gray)
????if?cv2.waitKey(1)?==?ord("q"):
????????break
cap.release()
cv2.destroyAllWindows()

檢測(cè)邊緣的最終目的是捕捉重要事件并在行星屬性內(nèi)執(zhí)行所需的更改。它是圖像處理、圖像模式識(shí)別和計(jì)算機(jī)視覺技術(shù)的基本步驟之一。

輪廓檢測(cè)

一個(gè)輪廓可以描述為一條曲線，將所有具有相同顏色或強(qiáng)度的連續(xù)點(diǎn)組合在一起。基本上，它們顯示圖片中包含的對(duì)象的形狀。輪廓檢測(cè)可能是一種用于形狀分析和對(duì)象檢測(cè)和識(shí)別的有用技術(shù)。

輪廓檢測(cè)并不是圖像分割的唯一算法，還有很多其他算法，例如目前最先進(jìn)的語義分割、霍夫變換和 K-Means 分割。

為了獲得更好的準(zhǔn)確性，我們將遵循以下整個(gè)流程來成功檢測(cè)圖像中的輪廓：

• 輸入圖像的標(biāo)準(zhǔn)化是它應(yīng)該始終是二進(jìn)制形式。這就是為什么我們需要將其轉(zhuǎn)換為二進(jìn)制格式。
• 用于查找輪廓的 OpenCV 函數(shù)是 findContours()。
• 最后，我們必須繪制這些輪廓來顯示圖像。

好吧，讓我們開始吧。

首先，讓我們?yōu)檫@個(gè)項(xiàng)目安裝所有必需的依賴項(xiàng)：

pip3?install?matplotlib?opencv-python

在這里，我們導(dǎo)入所需的模塊：

import?cv2
import?matplotlib.pyplot?as?plt

讓我們加載本教程中使用的圖像：

#?read?the?image
image?=?cv2.imread("thumbs_up_down.jpg")

將其轉(zhuǎn)換為 RGB，然后轉(zhuǎn)換為灰度：

#?convert?to?RGB
image?=?cv2.cvtColor(image,?cv2.COLOR_BGR2RGB)
#?convert?to?grayscale
gray?=?cv2.cvtColor(image,?cv2.COLOR_RGB2GRAY)

正如本教程前面提到的，我們要?jiǎng)?chuàng)建一個(gè)二值圖像，這表明圖像的每個(gè)像素要么是黑色的，要么是白色的。

你可以將其進(jìn)行比較，就像查找輪廓與檢測(cè)黑板上的白色物體更相似。我們要找的物體是白色的，所以黑板需要是純黑色的。

#?create?a?binary?thresholded?image
_,?binary?=?cv2.threshold(gray,?225,?255,?cv2.THRESH_BINARY_INV)
#?show?it
plt.imshow(binary,?cmap="gray")
plt.show()

通過禁用像素（即將其設(shè)置為0）和啟用像素（即將其設(shè)置為225），創(chuàng)建二進(jìn)制圖像。以下是輸出圖像：

現(xiàn)在，對(duì)于 OpenCV 來說，這通常很容易檢測(cè)輪廓：

#?find?the?contours?from?the?thresholded?image
contours,?hierarchy?=?cv2.findContours(binary,?cv2.RETR_TREE,?cv2.CHAIN_APPROX_SIMPLE)
#?draw?all?contours
image?=?cv2.drawContours(image,?contours,?-1,?(0,?255,?0),?2)

上述代碼很容易找到二值圖像中的輪廓，最后借助粗綠線將它們輸出到圖像中，讓我們展示一下：

#?show?the?image?with?the?drawn?contours
plt.imshow(image)
plt.show()

輸出圖像：

為了在不同的世界圖像上獲得良好的結(jié)果，你需要調(diào)整閾值或執(zhí)行邊緣檢測(cè)。例如，對(duì)于煎餅圖像，我將邊緣減少到 127，結(jié)果如下：

輪廓檢測(cè)和邊緣檢測(cè)的區(qū)別

輪廓檢測(cè)的目標(biāo)是確定閉合物體的形狀，特別是因?yàn)閷?duì)于具有相同顏色強(qiáng)度的連續(xù)點(diǎn)，尋找輪廓的方法是確定的，而邊緣檢測(cè)是通過檢測(cè)顏色強(qiáng)度內(nèi)的變化來進(jìn)行的。對(duì)整個(gè)圖像進(jìn)行邊緣檢測(cè)，而僅對(duì)圖像內(nèi)的對(duì)象進(jìn)行輪廓檢測(cè)。

結(jié)論

這個(gè)項(xiàng)目是初學(xué)者級(jí)別的，面向數(shù)據(jù)科學(xué)愛好者。本文旨在讓你熟悉最簡單的計(jì)算機(jī)視覺項(xiàng)目，以增強(qiáng)你在計(jì)算機(jī)視覺方面的知識(shí)。

努力分享優(yōu)質(zhì)的計(jì)算機(jī)視覺相關(guān)內(nèi)容，歡迎關(guān)注：

交流群

歡迎加入公眾號(hào)讀者群一起和同行交流，目前有美顏、三維視覺、計(jì)算攝影、檢測(cè)、分割、識(shí)別、醫(yī)學(xué)影像、GAN、算法競賽等微信群

個(gè)人微信（如果沒有備注不拉群！）
請(qǐng)注明：地區(qū)+學(xué)校/企業(yè)+研究方向+昵稱



下載1：何愷明頂會(huì)分享

在「AI算法與圖像處理」公眾號(hào)后臺(tái)回復(fù)：何愷明，即可下載。總共有6份PDF，涉及 ResNet、Mask RCNN等經(jīng)典工作的總結(jié)分析

下載2：終身受益的編程指南：Google編程風(fēng)格指南

在「AI算法與圖像處理」公眾號(hào)后臺(tái)回復(fù)：c++，即可下載。歷經(jīng)十年考驗(yàn)，最權(quán)威的編程規(guī)范！


下載3 CVPR2021

在「AI算法與圖像處理」公眾號(hào)后臺(tái)回復(fù)：CVPR，即可下載1467篇CVPR?2020論文 和 CVPR 2021 最新論文