0
点赞
收藏
分享

微信扫一扫

【youcans 的 OpenCV 例程200篇】155. 边缘连接的局部处理方法


【youcans 的 OpenCV 例程200篇】155. 边缘连接的局部处理方法


2.8 局部处理连接边缘

在实际应用中,由于噪声、光照等原因引起的边缘断裂,使边缘检测的结果并不是完全的、完整的边缘,通常要通过边缘连接算法,将边缘像素组合为有意义的边缘或区域边界。

边缘连接方可以分为局部处理方法和全局处理方法。边缘连接的局部处理方法,是分析每个边缘像素点的邻域,根据预定义的准则将所有相似的点连接起来,形成同类像素的边缘。

在局部分析中,主要基于梯度向量的幅值和方向进行边缘像素的相似性判断。边缘像素
∣ M ( s , t ) − M ( x , y ) ∣ ≤ E ∣ α ( s , t ) − α ( x , y ) ∣ ≤ A |M(s,t) - M(x,y)| \le E \\ |\alpha(s,t) - \alpha(x,y)| \le A M(s,t)M(x,y)Eα(s,t)α(x,y)A
式中,E 是梯度向量的幅度阈值,A 是角度阈值。对图像的每个像素进行检测,如果既符合幅度条件又符合方向条件,则将坐标为 (s,t) 的像素连接到像素 (x,y)。

上述方法需要检测所有像素点的邻域,计算量很大。一种简化的边缘连接局部处理方法是:

(1)计算输入图像 f(x,y) 的梯度向量的幅值 M ( x , y ) M(x,y) M(x,y) 和方向 α ( x , y ) \alpha (x,y) α(x,y)

(2)二值化处理:
g ( x , y ) = { 1 , M ( x , y ) > T M , 且 α ( x , y ) = A ± T A 0 , e l s e g(x,y) = \begin{cases} 1, \quad M(x,y) > T_M, 且 \alpha(x,y)=A \pm T_A \\ 0, \quad else \end{cases} g(x,y)={1,M(x,y)>TM,α(x,y)=A±TA0,else
式中 T M T_M TM 是阈值,A 是规定的角度方向, ± T A \pm T_A ±TA 定义方向的角度范围。

(3)对二值图像 g,逐行扫描并填充水平间隙。

(4)对二值图像 g,逐列扫描并填充垂直间隙。编程时可以将 g 转置后,再做一次逐行扫描水平填充来实现。

在必要时,还可以对二者图像 g 进一步在其它任何方向上扫描并填充间隙。


例程 11.9:边缘连接的局部处理方法

    # 11.9 边缘连接的局部处理方法
    img = cv2.imread("../images/imgLena.tif", flags=0)  # flags=0 读取为灰度图像
    # img16 = np.array(img, dtype='uint16')
    hImg, wImg = img.shape#[0], img.shape[1]

    # Sobel 梯度算子
    kSobelX = np.array([[-1, 0, 1], [-2, 0, 2], [-1, 0, 1]])
    kSobelY = np.array([[1, 2, 1], [0, 0, 0], [-1, -2, -1]])
    gx = cv2.filter2D(img, cv2.CV_64F, kSobelX)  # SobelX 水平梯度
    gy = cv2.filter2D(img, cv2.CV_64F, kSobelY)  # SobelY 垂直梯度

    # 计算梯度向量的幅值 mag 与角度 angle
    # magn = np.sqrt(np.power(gx,2) + np.power(gy,2))  # 梯度向量的幅值
    magn = cv2.normalize(abs(gx)+abs(gy), None, 0, 255, cv2.NORM_MINMAX)  # 用绝对值近似梯度幅值
    gxFlat, gyFlat = gx.flatten(), gy.flatten()  # 展平为一维,便于计算角度
    angleFlat = np.arctan2(gy, gx) * 180 / np.pi  # 梯度向量的角度,将弧度转为角度: (-180, 180)
    angle = angleFlat.reshape(hImg, wImg)

    # 边缘像素相似性判断
    edge = np.zeros((hImg,wImg), np.uint8)
    for h in range(1, hImg-1):  # 对边界点不判断
        for w in range(1, wImg-1):
            if (abs(magn[h,w]-magn[h-1,w-1])<=30) and (abs(angle[h,w]-angle[h-1,w-1])<=15)\
            or (abs(magn[h,w]-magn[h-1,w+1])<=30) and (abs(angle[h,w]-angle[h-1,w+1])<=15)\
            or (abs(magn[h,w]-magn[h+1,w-1])<=30) and (abs(angle[h,w]-angle[h+1,w-1])<=15)\
            or (abs(magn[h,w]-magn[h+1,w+1])<=30) and (abs(angle[h,w]-angle[h+1,w+1])<=15):
                edge[h,w] = magn[h,w]

    plt.figure(figsize=(10, 5))
    plt.subplot(131), plt.title("Origin"), plt.imshow(img, cmap='gray'), plt.axis('off')
    plt.subplot(132), plt.title("Magnitude"), plt.imshow(np.uint8(magn), cmap='gray'), plt.axis('off')
    # plt.subplot(133), plt.title("angle"), plt.imshow(np.uint8(angle), cmap='gray'), plt.axis('off')
    plt.subplot(133), plt.title("Edge connect"), plt.imshow(np.uint8(edge), cmap='gray'), plt.axis('off')
    plt.tight_layout()
    plt.show()

在这里插入图片描述


(本节完)


版权声明:

youcans@xupt 原创作品,转载必须标注原文链接:(https://blog.csdn.net/youcans/article/details/124158303)

Copyright 2022 youcans, XUPT
Crated:2022-4-10


举报

相关推荐

0 条评论