时间:2021-05-23
canny边缘检测原理
canny边缘检测共有5部分组成,下边我会分别来介绍。
1 高斯模糊(略)
2 计算梯度幅值和方向。
可选用的模板:soble算子、Prewitt算子、Roberts模板等等;
一般采用soble算子,OpenCV也是如此,利用soble水平和垂直算子与输入图像卷积计算dx、dy:
进一步可以得到图像梯度的幅值:
为了简化计算,幅值也可以作如下近似:
角度为:
如下图表示了中心点的梯度向量、方位角以及边缘方向(任一点的边缘与梯度向量正交) :
θ = θm = arctan(dy/dx)(边缘方向)
α = θ + 90= arctan(dy/dx) + 90(梯度方向)
3、根据角度对幅值进行非极大值抑制
划重点:是沿着梯度方向对幅值进行非极大值抑制,而非边缘方向,这里初学者容易弄混。
例如:3*3区域内,边缘可以划分为垂直、水平、45°、135°4个方向,同样,梯度反向也为四个方向(与边缘方向正交)。因此为了进行非极大值,将所有可能的方向量化为4个方向,如下图:
即梯度方向分别为
α = 90
α = 45
α = 0
α = -45
非极大值抑制即为沿着上述4种类型的梯度方向,比较3*3邻域内对应邻域值的大小:
在每一点上,领域中心 x 与沿着其对应的梯度方向的两个像素相比,若中心像素为最大值,则保留,否则中心置0,这样可以抑制非极大值,保留局部梯度最大的点,以得到细化的边缘。
4、用双阈值算法检测和连接边缘
1选取系数TH和TL,比率为2:1或3:1。(一般取TH=0.3或0.2,TL=0.1);
2 将小于低阈值的点抛弃,赋0;将大于高阈值的点立即标记(这些点为确定边缘 点),赋1或255;
3将小于高阈值,大于低阈值的点使用8连通区域确定(即:只有与TH像素连接时才会被接受,成为边缘点,赋 1或255)
python 实现
import cv2import numpy as npm1 = np.array([[1, 0, -1], [2, 0, -2], [1, 0, -1]])m2 = np.array([[1, 2, 1], [0, 0, 0], [-1, -2, -1]])from matplotlib import pyplot as plt# 第一步:完成高斯平滑滤波img = cv2.imread("B9064CF1D57871735CE11A0F368DCF27.jpg", 0)sobel = cv2.Canny(img, 50, 100)cv2.namedWindow('5', 0)cv2.resizeWindow("5", 640, 480)cv2.imshow("5", sobel) # 角度值灰度图img = cv2.GaussianBlur(img, (3, 3), 2)# 第二步:完成一阶有限差分计算,计算每一点的梯度幅值与方向img1 = np.zeros(img.shape, dtype="uint8") # 与原图大小相同theta = np.zeros(img.shape, dtype="float") # 方向矩阵原图像大小img = cv2.copyMakeBorder(img, 1, 1, 1, 1, borderType=cv2.BORDER_REPLICATE)rows, cols = img.shapefor i in range(1, rows - 1):for j in range(1, cols - 1):Gy = [np.sum(m2 * img[i - 1:i + 2, j - 1:j + 2])]#Gy = (np.dot(np.array([1, 1, 1]), (m2 * img[i - 1:i + 2, j - 1:j + 2]))).dot(np.array([[1], [1], [1]]))Gx = [np.sum(m1 * img[i - 1:i + 2, j - 1:j + 2])]#Gx = (np.dot(np.array([1, 1, 1]), (m1 * img[i - 1:i + 2, j - 1:j + 2]))).dot(np.array([[1], [1], [1]]))if Gx[0] == 0:theta[i - 1, j - 1] = 90continueelse:temp = ((np.arctan2(Gy[0], Gx[0])) * 180 / np.pi)+90if Gx[0] * Gy[0] > 0:if Gx[0] > 0:# 第一象线theta[i - 1, j - 1] = np.abs(temp)else:# 第三象线theta[i - 1, j - 1] = (np.abs(temp) - 180)if Gx[0] * Gy[0] < 0:if Gx[0] > 0:# 第四象线theta[i - 1, j - 1] = (-1) * np.abs(temp)else:# 第二象线theta[i - 1, j - 1] = 180 - np.abs(temp)img1[i - 1, j - 1] = (np.sqrt(Gx[0] ** 2 + Gy[0] ** 2))for i in range(1, rows - 2):for j in range(1, cols - 2):if (((theta[i, j] >= -22.5) and (theta[i, j] < 22.5)) or((theta[i, j] <= -157.5) and (theta[i, j] >= -180)) or((theta[i, j] >= 157.5) and (theta[i, j] < 180))):theta[i, j] = 0.0elif (((theta[i, j] >= 22.5) and (theta[i, j] < 67.5)) or((theta[i, j] <= -112.5) and (theta[i, j] >= -157.5))):theta[i, j] = -45.0elif (((theta[i, j] >= 67.5) and (theta[i, j] < 112.5)) or((theta[i, j] <= -67.5) and (theta[i, j] >= -112.5))):theta[i, j] = 90.0elif (((theta[i, j] >= 112.5) and (theta[i, j] < 157.5)) or((theta[i, j] <= -22.5) and (theta[i, j] >= -67.5))):theta[i, j] = 45.0'''for i in range(1, rows - 1):for j in range(1, cols - 1):Gy = [np.sum(m2 * img[i - 1:i + 2, j - 1:j + 2])]#Gy = (np.dot(np.array([1, 1, 1]), (m2 * img[i - 1:i + 2, j - 1:j + 2]))).dot(np.array([[1], [1], [1]]))Gx = [np.sum(m1 * img[i - 1:i + 2, j - 1:j + 2])]#Gx = (np.dot(np.array([1, 1, 1]), (m1 * img[i - 1:i + 2, j - 1:j + 2]))).dot(np.array([[1], [1], [1]]))if Gx[0] == 0:theta[i - 1, j - 1] = 90continueelse:temp = (np.arctan2(Gy[0], Gx[0])) * 180 / np.pi)if Gx[0] * Gy[0] > 0:if Gx[0] > 0:# 第一象线theta[i - 1, j - 1] = np.abs(temp)else:# 第三象线theta[i - 1, j - 1] = (np.abs(temp) - 180)if Gx[0] * Gy[0] < 0:if Gx[0] > 0:# 第四象线theta[i - 1, j - 1] = (-1) * np.abs(temp)else:# 第二象线theta[i - 1, j - 1] = 180 - np.abs(temp)img1[i - 1, j - 1] = (np.sqrt(Gx[0] ** 2 + Gy[0] ** 2))for i in range(1, rows - 2):for j in range(1, cols - 2):if (((theta[i, j] >= -22.5) and (theta[i, j] < 22.5)) or((theta[i, j] <= -157.5) and (theta[i, j] >= -180)) or((theta[i, j] >= 157.5) and (theta[i, j] < 180))):theta[i, j] = 90.0elif (((theta[i, j] >= 22.5) and (theta[i, j] < 67.5)) or((theta[i, j] <= -112.5) and (theta[i, j] >= -157.5))):theta[i, j] = 45.0elif (((theta[i, j] >= 67.5) and (theta[i, j] < 112.5)) or((theta[i, j] <= -67.5) and (theta[i, j] >= -112.5))):theta[i, j] = 0.0elif (((theta[i, j] >= 112.5) and (theta[i, j] < 157.5)) or((theta[i, j] <= -22.5) and (theta[i, j] >= -67.5))):theta[i, j] = -45.0'''# 第三步:进行 非极大值抑制计算img2 = np.zeros(img1.shape) # 非极大值抑制图像矩阵for i in range(1, img2.shape[0] - 1):for j in range(1, img2.shape[1] - 1):# 0度j不变if (theta[i, j] == 0.0) and (img1[i, j] == np.max([img1[i, j], img1[i + 1, j], img1[i - 1, j]])):img2[i, j] = img1[i, j]if (theta[i, j] == -45.0) and img1[i, j] == np.max([img1[i, j], img1[i - 1, j - 1], img1[i + 1, j + 1]]):img2[i, j] = img1[i, j]if (theta[i, j] == 90.0) and img1[i, j] == np.max([img1[i, j], img1[i, j + 1], img1[i, j - 1]]):img2[i, j] = img1[i, j]if (theta[i, j] == 45.0) and img1[i, j] == np.max([img1[i, j], img1[i - 1, j + 1], img1[i + 1, j - 1]]):img2[i, j] = img1[i, j]# 第四步:双阈值检测和边缘连接img3 = np.zeros(img2.shape) # 定义双阈值图像# TL = 0.4*np.max(img2)# TH = 0.5*np.max(img2)TL = 50TH = 100# 关键在这两个阈值的选择for i in range(1, img3.shape[0] - 1):for j in range(1, img3.shape[1] - 1):if img2[i, j] < TL:img3[i, j] = 0elif img2[i, j] > TH:img3[i, j] = 255elif ((img2[i + 1, j] < TH) or (img2[i - 1, j] < TH) or (img2[i, j + 1] < TH) or(img2[i, j - 1] < TH) or (img2[i - 1, j - 1] < TH) or (img2[i - 1, j + 1] < TH) or(img2[i + 1, j + 1] < TH) or (img2[i + 1, j - 1] < TH)):img3[i, j] = 255cv2.namedWindow('1', 0)cv2.resizeWindow("1", 640, 480)cv2.namedWindow('2', 0)cv2.resizeWindow("2", 640, 480)cv2.namedWindow('3', 0)cv2.resizeWindow("3", 640, 480)cv2.namedWindow('4', 0)cv2.resizeWindow("4", 640, 480)cv2.imshow("1", img) # 原始图像cv2.imshow("2", img1) # 梯度幅值图cv2.imshow("3", img2) # 非极大值抑制灰度图cv2.imshow("4", img3) # 最终效果图cv2.waitKey(0)运行结果如下
以上就是python实现canny边缘检测的详细内容,更多关于canny边缘检测的资料请关注其它相关文章!
声明:本页内容来源网络,仅供用户参考;我单位不保证亦不表示资料全面及准确无误,也不保证亦不表示这些资料为最新信息,如因任何原因,本网内容或者用户因倚赖本网内容造成任何损失或损害,我单位将不会负任何法律责任。如涉及版权问题,请提交至online#300.cn邮箱联系删除。
python+opencv车道线检测(简易实现),供大家参考,具体内容如下技术栈:python+opencv实现思路:1、canny边缘检测获取图中的边缘信息;
边缘检测Canny边缘检测器是一种被广泛使用的算法,并被认为是边缘检测最优的算法,该方法使用了比高斯差分算法更复杂的技巧,如多向灰度梯度和滞后阈值化。Canny
最近自己在做一个有关图像处理的小项目,涉及到图像的边缘检测、直线检测、轮廓检测以及角点检测等,本文首先介绍图像的边缘检测,使用的是Canny边缘检测算法,具体代
任务说明:编写一个钱币定位系统,其不仅能够检测出输入图像中各个钱币的边缘,同时,还能给出各个钱币的圆心坐标与半径。效果代码实现Canny边缘检测:#Author
首先是Canny边缘检测,将图片的边缘检测出来,参考博客https:///techyan1990/p/7291771.html和https://blog.csd