Python图像边缘检测：边缘检算法原理及实现过程

陈铎

文章目录一、边缘检测算法概述二、常用边缘检测算法2.1、Sobel算法2.2、Prewitt算法2.3、Canny算法三、总结一、边缘检测算法概述图像边缘检测是计算机视觉和图像处理中的重要任务，它用于检测图像中物体和区域之间的边缘和轮廓。在Python中，有多种方法可以进行图像边缘检测，本文将介绍一种常用的方法：Canny边缘检测算法。二、常用边缘检测算法2.1、Sobel算法Sobel算法是一种基于卷积的边缘检测方法，通过计算图像的梯度来检测边缘。它使用两个卷积核，一个用于水平方向，另一个用于垂直方向。对于水平方向的Sobel核：对于垂直方向的Sobel核：最终梯度图像：代码案例importcv2importnumpyasnpimportmatplotlib.pyplotasplt#读取图像img=cv2.imread("lenna.jpg",cv2.IMREAD_GRAYSCALE)#Sobel滤波sobel_x=cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)sobel_y=cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)#计算梯度幅值gradient_magnitude=np.sqrt(sobel_x**2+sobel_y**2)#绘制图像plt.subplot(2,2,1),plt.imshow(img,cmap='gray'),plt.title('OriginalImage')plt.subplot(2,2,2),plt.imshow(sobel_x,cmap='gray'),plt.title('SobelX')plt.subplot(2,2,3),plt.imshow(sobel_y,cmap='gray'),plt.title('SobelY')plt.subplot(2,2,4),plt.imshow(gradient_magnitude,cmap='gray'),plt.title('GradientMagnitude')plt.show()12345678910111213141516171819202.2、Prewitt算法Prewitt算法也是一种基于卷积的边缘检测方法，与Sobel类似，但使用不同的卷积核。对于水平方向的Prewitt核：对于垂直方向的Prewitt核：最终梯度图像：Python代码和图形#使用cv2.filter2D函数应用Prewitt卷积核prewitt_x=cv2.filter2D(img,cv2.CV_64F,kernel=np.array([[-1,0,1],[-1,0,1],[-1,0,1]]))prewitt_y=cv2.filter2D(img,cv2.CV_64F,kernel=np.array([[-1,-1,-1],[0,0,0],[1,1,1]]))#计算梯度幅值gradient_magnitude_prewitt=np.sqrt(prewitt_x**2+prewitt_y**2)#绘制图像plt.subplot(2,2,1),plt.imshow(img,cmap='gray'),plt.title('OriginalImage')plt.subplot(2,2,2),plt.imshow(prewitt_x,cmap='gray'),plt.title('PrewittX')plt.subplot(2,2,3),plt.imshow(prewitt_y,cmap='gray'),plt.title('PrewittY')plt.subplot(2,2,4),plt.imshow(gradient_magnitude_prewitt,cmap='gray'),plt.title('GradientMagnitude(Prewitt)')plt.show()123456789101112132.3、Canny算法原理：Canny算法是一种多阶段的边缘检测算法，包括高斯滤波、梯度计算、非极大值抑制、双阈值边缘跟踪等步骤。核心公式：高斯滤波：梯度计算：非极大值抑制：在梯度方向上，只保留局部最大值。双阈值边缘跟踪：利用高阈值和低阈值对图像进行分割，形成强边缘和弱边缘。Python代码和图形：#Canny边缘检测canny_edges=cv2.Canny(img,50,150)#绘制图像plt.subplot(1,2,1),plt.imshow(img,cmap='gray'),plt.title('OriginalImage')plt.subplot(1,2,2),plt.imshow(canny_edges,cmap='gray'),plt.title('CannyEdges')plt.show()1234567Canny边缘检测算法是一种经典的边缘检测算法，它由JohnF.Canny于1986年提出，被广泛应用于计算机视觉领域。该算法具有以下步骤：高斯滤波：由于图像中的噪声可能会影响边缘检测的结果，因此首先需要对图像进行高斯滤波来平滑图像并去除噪声。可以使用OpenCV库中的**cv2.GaussianBlur()**函数来实现高斯滤波。importcv2#读取图像image=cv2.imread('image.jpg',0)#高斯滤波blurred=cv2.GaussianBlur(image,(5,5),0)1234567计算梯度：在平滑后的图像中，通过计算像素点的梯度来确定边缘。可以使用Sobel算子或Scharr算子来计算图像的梯度。#计算梯度gradient_x=cv2.Sobel(blurred,cv2.CV_64F,1,0,ksize=3)gradient_y=cv2.Sobel(blurred,cv2.CV_64F,0,1,ksize=3)#计算梯度幅值和方向gradient_magnitude=cv2.magnitude(gradient_x,gradient_y)gradient_direction=cv2.phase(gradient_x,gradient_y,angleInDegrees=True)1234567非极大值抑制：在计算梯度幅值和方向之后，需要对图像进行非极大值抑制，以保留具有最大梯度幅值的边缘。这一步的目的是细化和提取真实的边缘线条。#非极大值抑制edges=cv2.Canny(blurred,threshold1,threshold2)12双阈值检测：通过设置双阈值来确定强边缘和弱边缘，并进一步筛选和连接边缘。#双阈值检测threshold1=100threshold2=200edges=cv2.Canny(blurred,threshold1,threshold2)1234阈值的选择对于边缘检测的效果非常重要，可以根据具体图片和应用场景进行调整。边缘连接：在双阈值检测之后，还需要进行边缘连接，将弱边缘与强边缘进行连接，形成完整的边缘线。#边缘连接edges=cv2.dilate(edges,None)12示例代码下面是一个完整的示例代码，用于演示如何使用Python和OpenCV进行Canny边缘检测：importcv2#读取图像image=cv2.imread('image.jpg',0)#高斯滤波blurred=cv2.GaussianBlur(image,(5,5),0)#计算梯度gradient_x=cv2.Sobel(blurred,cv2.CV_64F,1,0,ksize=3)gradient_y=cv2.Sobel(blurred,cv2.CV_64F,0,1,ksize=3)#计算梯度幅值和方向gradient_magnitude=cv2.magnitude(gradient_x,gradient_y)gradient_direction=cv2.phase(gradient_x,gradient_y,angleInDegrees=True)#非极大值抑制edges=cv2.Canny(blurred,threshold1,threshold2)#边缘连接edges=cv2.dilate(edges,None)#显示图像和边缘cv2.imshow('OriginalImage',image)cv2.imshow('CannyEdges',edges)cv2.waitKey(0)cv2.destroyAllWindows()1234567891011121314151617181920通过以上代码，我们可以加载一张图像，并对其应用Canny边缘检测算法，最终显示原始图像和检测到的边缘。以下是一个示例代码，展示了如何使用Canny边缘检测算法来检测交通标志的轮廓。importcv2#读取图像image=cv2.imread('traffic_sign.jpg')#将图像转换为灰度图gray=cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)#高斯滤波blurred=cv2.GaussianBlur(gray,(5,5),0)#计算梯度gradient_x=cv2.Sobel(blurred,cv2.CV_64F,1,0,ksize=3)gradient_y=cv2.Sobel(blurred,cv2.CV_64F,0,1,ksize=3)#计算梯度幅值和方向gradient_magnitude=cv2.magnitude(gradient_x,gradient_y)gradient_direction=cv2.phase(gradient_x,gradient_y,angleInDegrees=True)#非极大值抑制edges=cv2.Canny(blurred,threshold1,threshold2)#边缘连接edges=cv2.dilate(edges,None)#检测轮廓contours,_=cv2.findContours(edges,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)#绘制轮廓cv2.drawContours(image,contours,-1,(0,255,0),2)#显示图像和边缘检测结果cv2.imshow('OriginalImage',image)cv2.imshow('CannyEdges',edges)cv2.waitKey(0)cv2.destroyAllWindows()1234567891011121314151617181920212223242526以上代码中，我们首先读取一张包含交通标志的图像，并将其转换为灰度图像。然后，我们应用高斯滤波和Canny边缘检测算法来提取图像的边缘。接下来，我们使用轮廓检测函数**cv2.findContours()**找到边缘的轮廓，并将其绘制到原始图像上。最后，我们显示原始图像和边缘检测结果。这个示例代码可以用于交通标志识别系统中，帮助检测和定位交通标志的位置。**cv2.GaussianBlur()**是OpenCV图像处理库中用于进行高斯模糊的函数之一。高斯模糊是一种常用的图像平滑技术，它可以减少图像中的噪声和细节，使图像在一定程度上变得模糊。该函数的语法如下：dst=cv2.GaussianBlur(src,ksize,sigmaX[,dst[,sigmaY[,borderType]]])1参数说明：src:输入图像。可以是单通道或多通道图像，深度应为CV_8U、CV_16U、CV_16S、CV_32F或CV_64F之一。ksize:高斯核大小。可以是一个整数，表示正方形核的边长，或者是一个(height,width)的元组表示矩形核的尺寸。尺寸必须是正奇数。sigmaX:X方向上的高斯核标准差。如果为0，则根据ksize自动计算。dst:输出图像。与输入图像具有相同的大小和类型。sigmaY:Y方向上的高斯核标准差。如果为0，则与sigmaX相同。borderType:边界模式。默认为cv2.BORDER_DEFAULT。实现高斯模糊的具体步骤如下：计算高斯核。高斯核是一个二维高斯分布函数在图像上的离散近似。高斯核的大小和标准差决定了模糊的程度。在处理图像的每个像素时，将该像素和其周围像素按照高斯核进行加权平均。权重取决于两个像素之间的距离和高斯分布函数的值。对于图像边缘的像素，在计算加权平均时，根据指定的边界类型来处理边界像素。返回的结果是经过高斯模糊处理后的图像。通过调整ksize和sigmaX参数，可以控制模糊的程度和效果。简单示例代码如下：importcv2#读取图像image=cv2.imread('input.jpg')#高斯模糊blurred=cv2.GaussianBlur(image,(5,5),0)#显示原始图像和模糊后的图像cv2.imshow('OriginalImage',image)cv2.imshow('BlurredImage',blurred)cv2.waitKey(0)cv2.destroyAllWindows()12345678910在示例中，我们读取了一张图像，并使用**cv2.GaussianBlur()**函数对其进行了高斯模糊处理。通过调整模糊核的大小和标准差，可以获得不同程度的模糊效果。三、总结Sobel和Prewitt是基于卷积的边缘检测算法，通过计算图像梯度来寻找边缘。Canny算法是一种多阶段的边缘检测方法，包括高斯滤波、梯度计算、非极大值抑制和双阈值边缘跟踪。每种算法都有其特定的核心公式和实现步骤，用于检测图像中的边缘。在实际应用中，根据具体需求和图像特点选择合适的边缘检测算法。