一、基本概念
1.图像边缘检测目的
2.图像边缘检测重要性
3.何为图像边缘?
4.图像边缘检测原理
5.边缘检测算法分类
二、边缘检测步骤
1. 滤波
2. 增强
3. 检测
4. 定位
5. 边缘连接(可选)
三、边缘检测算法
算法实现一般步骤:
1. Sobel边缘检测算法
OpenCV实现示例:
import cv2
import numpy as np
import matplotlib.pyplot as plt
# 读取图像
def load_image(image_path):
# 使用cv2.imread()读取图像,参数0表示以灰度模式读取
img = cv2.imread(image_path, 0)
if img is None:
raise FileNotFoundError("图像文件未找到或路径错误")
return img
# 使用Sobel算子进行边缘检测
def sobel_edge_detection(image):
# 将图像转换为float32类型,以避免在计算中出现数据类型溢出
image_float = np.float32(image)
# 分别计算X和Y方向的Sobel梯度
# 参数dx=1, dy=0, ksize=3表示计算X方向的Sobel梯度
sobelx = cv2.Sobel(image_float, cv2.CV_64F, 1, 0, ksize=3)
# 参数dx=0, dy=1, ksize=3表示计算Y方向的Sobel梯度
sobely = cv2.Sobel(image_float, cv2.CV_64F, 0, 1, ksize=3)
# 计算梯度幅度,这里使用欧几里得距离
sobel_magnitude = np.sqrt(sobelx**2 + sobely**2)
# 将梯度幅度转换为uint8类型,便于显示
sobel_magnitude_uint8 = np.uint8(np.absolute(sobel_magnitude))
return sobel_magnitude_uint8
# 主函数
def main():
# 图像路径
image_path = 'path_to_your_image.jpg'
# 加载图像
img = load_image(image_path)
# 使用Sobel算子进行边缘检测
edges = sobel_edge_detection(img)
# 显示原图和处理后的图像
plt.figure(figsize=(10, 5))
plt.subplot(121), plt.imshow(img, cmap='gray'), plt.title('Original Image')
plt.xticks([]), plt.yticks([])
plt.subplot(122), plt.imshow(edges, cmap='gray'), plt.title('Sobel Edge Detection')
plt.xticks([]), plt.yticks([])
plt.show()
if __name__ == "__main__":
main()
2. Canny边缘检测算法
OpenCV实现示例:
import cv2
import numpy as np
# 读取图片
# 请确保你的图片路径是正确的,或者将'path_to_your_image.jpg'替换为图片的文件名(如果图片和脚本在同一目录下)
image_path = 'path_to_your_image.jpg'
image = cv2.imread(image_path)
# 检查图片是否成功读取
if image is None:
print("Error: 图片没有成功读取。请检查文件路径。")
else:
# 转换为灰度图,因为Canny边缘检测在灰度图上运行
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 应用Canny边缘检测
# 第一个参数是灰度图
# 第二个和第三个参数分别是Canny算法中的低阈值和高阈值
# 这两个阈值的选择取决于你的具体图像,可能需要一些实验来找到最佳值
edges = cv2.Canny(gray_image, threshold1=100, threshold2=200)
# 显示原图和边缘检测结果
cv2.imshow('Original Image', image)
cv2.imshow('Canny Edges', edges)
# 等待按键操作,之后关闭所有窗口
cv2.waitKey(0)
cv2.destroyAllWindows()
3. Roberts边缘检测算法
OpenCV实现示例:
import cv2
import numpy as np
def roberts_edge_detection(image_path):
# 读取图像
image = cv2.imread(image_path)
if image is None:
print("Error: Image not found or unable to read.")
return
# 转换为灰度图
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 定义Roberts算子的两个卷积核
kernel_x45 = np.array([[-1, 0],
[ 0, 1]], dtype=np.float32)
kernel_y135 = np.array([[0, -1],
[1, 0]], dtype=np.float32)
# 应用Roberts算子得到两个方向的梯度图
grad_x45 = cv2.filter2D(gray_image, cv2.CV_16S, kernel_x45)
grad_y135 = cv2.filter2D(gray_image, cv2.CV_16S, kernel_y135)
# 将梯度图转换为绝对值,并转换为8位无符号整数
abs_grad_x45 = cv2.convertScaleAbs(grad_x45)
abs_grad_y135 = cv2.convertScaleAbs(grad_y135)
# 计算梯度的幅值(这里使用绝对值相加作为近似)
gradient_magnitude = cv2.addWeighted(abs_grad_x45, 0.5, abs_grad_y135, 0.5, 0)
# 对梯度幅值进行阈值化处理,得到二值边缘图像
_, edges = cv2.threshold(gradient_magnitude, 50, 255, cv2.THRESH_BINARY)
# 显示结果
cv2.imshow('Original Image', image)
cv2.imshow('Roberts Edges', edges)
cv2.waitKey(0)
cv2.destroyAllWindows()
# 调用函数,传入图像路径
roberts_edge_detection('path_to_your_image.jpg')
4. Prewitt边缘检测算法
OpenCV实现示例:
import cv2
import numpy as np
def prewitt_operator(image, axis='both'):
"""
使用Prewitt算子进行边缘检测
参数:
- image: 输入图像,应为灰度图
- axis: 指定使用哪个方向的Prewitt算子,'x'为水平方向,'y'为垂直方向,'both'为两个方向都使用
返回:
- 如果axis为'x'或'y',则返回相应方向的边缘检测结果;
- 如果axis为'both',则返回两个方向边缘检测结果的叠加。
"""
# 定义Prewitt算子
prewitt_x = np.array([[-1, 0, 1],
[-1, 0, 1],
[-1, 0, 1]], dtype=np.float32)
prewitt_y = np.array([[-1, -1, -1],
[ 0, 0, 0],
[ 1, 1, 1]], dtype=np.float32)
# 将图像转换为浮点数类型,以便进行精确计算
image_float = np.float32(image)
# 根据指定的axis计算边缘
if axis == 'x':
edges = cv2.filter2D(image_float, -1, prewitt_x)
elif axis == 'y':
edges = cv2.filter2D(image_float, -1, prewitt_y)
elif axis == 'both':
edges_x = cv2.filter2D(image_float, -1, prewitt_x)
edges_y = cv2.filter2D(image_float, -1, prewitt_y)
edges = cv2.addWeighted(edges_x, 0.5, edges_y, 0.5, 0)
else:
raise ValueError("Invalid axis value. Use 'x', 'y', or 'both'.")
# 将边缘检测结果转换为8位无符号整数
edges = np.uint8(np.absolute(edges))
return edges
# 读取图像并转换为灰度图
image = cv2.imread('your_image_path.jpg', cv2.IMREAD_GRAYSCALE)
# 使用Prewitt算子进行边缘检测
edges = prewitt_operator(image, 'both')
# 显示原图和边缘检测结果
cv2.imshow('Original Image', image)
cv2.imshow('Prewitt Edges', edges)
cv2.waitKey(0)
cv2.destroyAllWindows()
5. Laplacian边缘检测算法
6.LoG边缘检测算法
OpenCV实现示例:
import cv2
import numpy as np
def log_edge_detection(image_path, sigma=1.4, ksize=5):
"""
使用LoG(Laplacian of Gaussian)算子进行边缘检测
参数:
image_path : str
图像文件的路径
sigma : float
高斯模糊的标准差。较大的sigma值会产生更平滑的图像,适用于检测更广泛的边缘。
ksize : int
高斯核的大小,必须是正数和奇数。它会影响高斯模糊的效果。
返回:
edges : ndarray
边缘检测后的图像
"""
# 读取图像
image = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
if image is None:
raise FileNotFoundError("无法找到或读取图像文件")
# 应用高斯模糊
blurred = cv2.GaussianBlur(image, (ksize, ksize), sigma)
# 计算拉普拉斯算子
# 注意:OpenCV中的Laplacian函数默认使用ddepth=cv2.CV_64F,然后转换为8位以显示
laplacian = cv2.Laplacian(blurred, cv2.CV_64F)
laplacian = np.uint8(np.absolute(laplacian))
# 由于拉普拉斯算子可能会产生负值,使用绝对值函数将其转换为正值
# 然后将数据类型转换为uint8以用于显示
# 返回边缘检测后的图像
return laplacian
# 使用示例
if __name__ == "__main__":
image_path = 'path_to_your_image.jpg' # 替换为你的图像文件路径
edges = log_edge_detection(image_path)
# 显示原图和处理后的图像
cv2.imshow('Original Image', cv2.imread(image_path, cv2.IMREAD_GRAYSCALE))
cv2.imshow('LoG Edge Detection', edges)
cv2.waitKey(0)
cv2.destroyAllWindows()
详细参考以下几篇文章:@搬运程序的小垃圾
http://t.csdnimg.cn/s71P6http://t.csdnimg.cn/s71P6深度学习系列-几种边缘检测算法 - 知乎 (zhihu.com)
https://zhuanlan.zhihu.com/p/324540079数字图像处理——边缘检测算法 - 知乎 (zhihu.com)
https://zhuanlan.zhihu.com/p/357515658