OpenCV系列（七）邊緣提取

邊緣提取，指數(shù)字圖像處理中，對(duì)于圖片輪廓的一個(gè)處理。對(duì)于邊界處，灰度值變化比較劇烈的地方，就定義為邊緣。也就是拐點(diǎn)，拐點(diǎn)是指函數(shù)發(fā)生凹凸性變化的點(diǎn)。二階導(dǎo)數(shù)為零的地方。并不是一階導(dǎo)數(shù)，因?yàn)橐浑A導(dǎo)數(shù)為零，表示是極值點(diǎn)。

邊緣檢測(cè)是圖像處理和計(jì)算機(jī)視覺中的基本問(wèn)題，邊緣檢測(cè)的目的是標(biāo)識(shí)數(shù)字圖像中亮度變化明顯的點(diǎn)。圖像屬性中的顯著變化通常反映了屬性的重要事件和變化。這些包括

• 深度上的不連續(xù)

• 表面方向不連續(xù)

• 物質(zhì)屬性變化

• 場(chǎng)景照明變化。

   

邊緣檢測(cè)是圖像處理和計(jì)算機(jī)視覺中，尤其是特征提取中的一個(gè)研究領(lǐng)域。Canny 的目標(biāo)是找到一個(gè)最優(yōu)的邊緣檢測(cè)算法，最優(yōu)邊緣檢測(cè)的含義是:

• 好的檢測(cè) - 算法能夠盡可能多地標(biāo)識(shí)出圖像中的實(shí)際邊緣。

• 好的定位 - 標(biāo)識(shí)出的邊緣要盡可能與實(shí)際圖像中的實(shí)際邊緣盡可能接近。

• 最小響應(yīng) - 圖像中的邊緣只能標(biāo)識(shí)一次，并且可能存在的圖像噪聲不應(yīng)標(biāo)識(shí)為邊緣。

Canny算法在分為如下幾個(gè)步驟:

1. 輸入彩色圖像，通過(guò)高斯模糊去除噪聲 GaussianBlur

2. 灰度轉(zhuǎn)換 cvtColor

3. 計(jì)算梯度 Sobel/Scharr

4. 非最大信號(hào)抑制  

5. 高低闕值 輸出二值圖像

接下來(lái)讓我們來(lái)敲代碼在OpenCV中實(shí)現(xiàn)Canny算法吧：

import cv2import numpy as npdef Canny_demo(img):    blur=cv2.GaussianBlur(img,(5,5),0) #除去噪聲    gray=cv2.cvtColor(blur,cv2.COLOR_BGR2GRAY) #圖像灰度    xgrad=cv2.Scharr(gray,cv2.CV_16SC1,1,0) #求梯度Scharr算子    ygrad=cv2.Scharr(gray,cv2.CV_16SC1,0,1)    edge=cv2.Canny(xgrad,ygrad,0,255)    dst=cv2.bitwise_and(img,img,mask=edge)    return edge,dst

首先我們定義了一個(gè)Canny_demo函數(shù)，函數(shù)的主要功能是: 使用高斯模糊除去圖片的噪聲，接著使用cv2.cvtColor 把圖像灰度化，然后求梯度Schaar算子，然后使用Canny算法進(jìn)行邊緣檢測(cè)，最后返回掩模和圖片，函數(shù)寫完了，我們來(lái)進(jìn)行調(diào)用:

if __name__ == '__main__':    img=cv2.imread('opencv_image/morph02.png')    cv2.imshow('img',img)    _,image=Canny_demo(img)    cv2.imshow('demo',image)    cv2.waitKey(0)

運(yùn)行結(jié)果如下:

Tips:像上面的運(yùn)行結(jié)果，會(huì)發(fā)現(xiàn)噪點(diǎn)挺多的，我們可以通過(guò)加大高斯模糊的算子來(lái)除去更多的噪聲。如圖,這是把GaussianBlur中（5,5）加到（9,9）的結(jié)果。可見噪聲變得少了。

直線檢測(cè)的前提條件是：邊緣檢測(cè)已經(jīng)完成！所以這時(shí)候我們可以再寫一個(gè)函數(shù)來(lái)調(diào)用我們剛剛寫好的Canny函數(shù)，這樣子我們就可以不需要重復(fù)地去造輪子。所有代碼如下：

import cv2import numpy as npdef Canny_demo(img):    blur=cv2.GaussianBlur(img,(9,9),0) #除去噪聲    gray=cv2.cvtColor(blur,cv2.COLOR_BGR2GRAY) #圖像灰度    xgrad=cv2.Scharr(gray,cv2.CV_16SC1,1,0) #求梯度Scharr算子    ygrad=cv2.Scharr(gray,cv2.CV_16SC1,0,1)    edge=cv2.Canny(xgrad,ygrad,0,255)    dst=cv2.bitwise_and(img,img,mask=edge)    return edge,dst
def find_lines(img):    edge,_=Canny_demo(img)    lines=cv2.HoughLinesP(edge,1,np.pi/180,100,                          minLineLength=50,                          maxLineGap=10)    for line in lines:        x1,y1,x2,y2=line[0]        cv2.line(img,(x1,y1),(x2,y2),(255,0,0),1)    return img
if __name__ == '__main__':    img=cv2.imread('opencv_image/morph02.png')    cv2.imshow('img',img)    image=find_lines(img)    cv2.imshow('demo',image)    cv2.waitKey(0)

程序運(yùn)行結(jié)果：

函數(shù)解析：

HoughLinesP(image,rho, theta, threshold, lines=None, minLineLength=None, maxLineGap=None

作用：獲得霍夫直線