OpenCV 的几种查找图像中轮廓边缘的方法

OpenCV 的几种查找图像中轮廓边缘的方法

引用

CSDN

1.

https://blog.csdn.net/xulibo5828/article/details/139394245

在计算机视觉和图像处理领域，边缘检测是一项基础且重要的技术，用于识别图像中的物体边界和轮廓。OpenCV作为一款强大的开源计算机视觉库，提供了多种边缘检测方法，每种方法都有其特点和适用场景。本文将详细介绍OpenCV中常用的几种边缘检测方法，包括Sobel、Scharr、Canny、Laplacian等算子，以及如何使用自定义卷积核和基于直方图的方法进行边缘检测。

原始图片：

1、Sobel算子

Sobel算子结合了高斯平滑和微分，用于计算图像的梯度，从而突出显示边缘。

import cv2

# 读取图像
image = cv2.imread('image.png', cv2.IMREAD_GRAYSCALE)
# 使用Sobel算子查找水平和垂直边缘
sobel_x = cv2.Sobel(image, cv2.CV_64F, 1, 0, ksize=3)
sobel_y = cv2.Sobel(image, cv2.CV_64F, 0, 1, ksize=3)
# 叠加水平和垂直边缘
edges = cv2.addWeighted(cv2.convertScaleAbs(sobel_x), 0.5, cv2.convertScaleAbs(sobel_y), 0.5, 0)
# 显示结果
cv2.imshow("Original Image", image)
cv2.imshow("Edges", edges)
cv2.waitKey(0)
cv2.destroyAllWindows()

函数原型：

sobel = cv2.Sobel(src, ddepth, dx, dy, ksize, scale, delta, borderType)

参数说明：

1. src: 输入图像（单通道，例如灰度图）。
2. ddepth: 输出图像的深度（例如cv2.CV_64F表示64位浮点数）。
3. dx: x方向上的导数阶数（0表示没有导数，1表示一阶导数）。
4. dy: y方向上的导数阶数（与dx类似）。
5. ksize: Sobel核的大小，必须是1, 3, 5或7等奇数。
6. scale: 可选值，缩放导数结果，以便调整图像亮度（默认值为1）。
7. delta: 可选值，在存储之前添加到结果中的值（默认值为0）。
8. borderType: 边界类型，用于确定图像边界（默认值为cv2.BORDER_DEFAULT）。

2、Scharr算子

Scharr算子是一种改进的Sobel算子，适用于增强边缘检测的精度，在正常的Sobel核的尺寸上有更好的性能。

scharr_x = cv2.Scharr(src, ddepth, dx, dy, scale, delta, borderType)

参数说明：

• 与cv2.Sobel()相同，只是ksize参数被硬编码为3。

import cv2
import numpy as np

# 读取图像并转换为灰度图
image = cv2.imread('image.png', cv2.IMREAD_GRAYSCALE)
# 使用Scharr算子计算x和y方向上的梯度
grad_x = cv2.Scharr(image, cv2.CV_64F, 1, 0)
grad_y = cv2.Scharr(image, cv2.CV_64F, 0, 1)
# 将梯度取绝对值并转换为8位图像
abs_grad_x = cv2.convertScaleAbs(grad_x)
abs_grad_y = cv2.convertScaleAbs(grad_y)
# 合并x方向和y方向的梯度
scharr = cv2.addWeighted(abs_grad_x, 0.5, abs_grad_y, 0.5, 0)
# 显示图像
cv2.imshow('Scharr Edge Detection', scharr)
cv2.waitKey(0)
cv2.destroyAllWindows()

3、Canny算子

Canny边缘检测是一种多级边缘检测算法，效果较为显著，常用来检测图像中的明显边缘。

函数原型：

edges = cv2.Canny(image, threshold1, threshold2, apertureSize, L2gradient)

参数说明：

• image: 输入图像，通常是灰度图。
• threshold1: 较低的阈值，用于边缘检测的滞后阈值过程。
• threshold2: 较高的阈值。
• apertureSize: Sobel算子的大小，默认值为3。
  
• L2gradient: 可选参数，用于计算图像梯度幅值的标志。如果为True，则使用更精确的L2范数计算梯度，否则使用L1范数。

import cv2

# 读取图像并转换为灰度图
image = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)
# 使用Canny边缘检测
edges = cv2.Canny(image, 100, 200)
# 显示图像
cv2.imshow('Canny Edge Detection', edges)
cv2.waitKey(0)
cv2.destroyAllWindows()

4、Laplacian算子

Laplacian算子是一种二阶导数算子，用于检测图像中的边缘。

laplacian = cv2.Laplacian(src, ddepth, ksize, scale, delta, borderType)

参数说明：

• src: 输入图像。
• ddepth: 输出图像的深度。
• ksize: Laplacian算子的大小，必须是正奇数。
• scale: 可选参数，用于缩放导数值，默认值为1。
• delta: 可选参数，在存储之前添加到结果中的值，默认值为0。
• borderType: 边界模式，默认值为cv2.BORDER_DEFAULT。

import cv2
import numpy as np

# 读取图像并转换为灰度图
image = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)
# 使用Laplacian边缘检测
laplacian = cv2.Laplacian(image, cv2.CV_64F)
# 将结果转换为8位图像
laplacian = cv2.convertScaleAbs(laplacian)
# 显示图像
cv2.imshow('Laplacian Edge Detection', laplacian)
cv2.waitKey(0)
cv2.destroyAllWindows()

5、Prewitt算子

Prewitt算子是另一种一阶导数算子，可以检测水平和垂直边缘。虽然OpenCV没有直接提供cv2.prewitt()函数，但可以使用cv2.filter2D函数自定义Prewitt核来实现。

import cv2
import numpy as np

# 读取图像并转换为灰度图
image = cv2.imread('image.png', cv2.IMREAD_GRAYSCALE)
# 定义Prewitt核
prewitt_kernel_x = np.array([[1, 0, -1],
                             [1, 0, -1],
                             [1, 0, -1]])
prewitt_kernel_y = np.array([[1, 1, 1],
                             [0, 0, 0],
                             [-1, -1, -1]])
# 使用Prewitt核进行边缘检测
grad_x = cv2.filter2D(image, cv2.CV_64F, prewitt_kernel_x)
grad_y = cv2.filter2D(image, cv2.CV_64F, prewitt_kernel_y)
# 计算梯度幅值
abs_grad_x = cv2.convertScaleAbs(grad_x)
abs_grad_y = cv2.convertScaleAbs(grad_y)
prewitt = cv2.addWeighted(abs_grad_x, 0.5, abs_grad_y, 0.5, 0)
# 显示图像
cv2.imshow('Prewitt Edge Detection', prewitt)
cv2.waitKey(0)
cv2.destroyAllWindows()

6、Roberts Cross算子

罗伯特交叉算子是一种简单且快速的边缘检测算子，适用于检测图像的对角边缘。OpenCV中没有直接提供罗伯特交叉算子，但可以通过自定义卷积核实现。

import cv2
import numpy as np

# 读取图像并转换为灰度图
image = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)
# 定义Roberts核
roberts_kernel_x = np.array([[1, 0],
                             [0, -1]])
roberts_kernel_y = np.array([[0, 1],
                             [-1, 0]])
# 使用Roberts核进行边缘检测
grad_x = cv2.filter2D(image, cv2.CV_64F, roberts_kernel_x)
grad_y = cv2.filter2D(image, cv2.CV_64F, roberts_kernel_y)
# 计算梯度幅值
abs_grad_x = cv2.convertScaleAbs(grad_x)
abs_grad_y = cv2.convertScaleAbs(grad_y)
roberts = cv2.addWeighted(abs_grad_x, 0.5, abs_grad_y, 0.5, 0)
# 显示图像
cv2.imshow('Roberts Edge Detection', roberts)
cv2.waitKey(0)
cv2.destroyAllWindows()

7、自定义卷积核

还可以通过自定义卷积核来进行边缘检测。

import cv2
import numpy as np

# 读取图像并转换为灰度图
image = cv2.imread('image.png', cv2.IMREAD_GRAYSCALE)
# 定义自定义卷积核
custom_kernel = np.array([[-1, -1, -1],
                          [-1, 7, -1],
                          [-1, -1, -1]])
# 使用自定义卷积核进行边缘检测
custom_edges = cv2.filter2D(image, cv2.CV_64F, custom_kernel)
# 将结果转换为8位图像
custom_edges = cv2.convertScaleAbs(custom_edges)
# 显示图像
cv2.imshow('Custom Kernel Edge Detection', custom_edges)
cv2.waitKey(0)
cv2.destroyAllWindows()

8、基于直方图的边缘检测

基于直方图的方法，通过分析图像的灰度直方图来检测边缘。

import cv2
import numpy as np

# 读取图像并转换为灰度图
image = cv2.imread('image.png', cv2.IMREAD_GRAYSCALE)
# 计算图像的直方图
hist = cv2.calcHist([image], [0], None, [256], [0, 256])
# 找到直方图的峰值
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(hist)
# 使用峰值作为阈值进行二值化处理
_, binary = cv2.threshold(image, max_loc[1] - 30, 255, cv2.THRESH_BINARY)
# 显示图像
cv2.imshow('Histogram Based Edge Detection', binary)
cv2.waitKey(0)
cv2.destroyAllWindows()

9、自适应阈值

自适应阈值可以在照明不均匀的情况下检测边缘。

函数原型：

cv2.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C[, dst])

参数说明：

• src：输入图像，应为灰度图像（单通道）。
• maxValue：指定在满足条件时给输出像素赋予的最大值（通常为255）。
• adaptiveMethod：自适应方法。可选值有：
• cv2.ADAPTIVE_THRESH_MEAN_C：基于邻域均值的自适应阈值化方法。
• cv2.ADAPTIVE_THRESH_GAUSSIAN_C：基于邻域加权均值的自适应阈值化方法。
• thresholdType：阈值类型，应为cv2.THRESH_BINARY或cv2.THRESH_BINARY_INV。
• blockSize：指定用于计算阈值的邻域大小，一般为奇数。
• C：从计算的平均值或加权平均值中减去的常数。

import cv2

# 读取图像并转换为灰度图
image = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)
# 自适应阈值
adaptive_threshold = cv2.adaptiveThreshold(image, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)
# 显示图像
cv2.imshow('Adaptive Threshold Edge Detection', adaptive_threshold)
cv2.waitKey(0)
cv2.destroyAllWindows()

10、阈值化(cv2.threshold)

简单的全局阈值化方法，通过固定的阈值来二值化图像以检测边缘。

import cv2

# 读取图像并转换为灰度图
image = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)
# 全局阈值化
_, threshold = cv2.threshold(image, 127, 255, cv2.THRESH_BINARY)
# 显示图像
cv2.imshow('Global Threshold Edge Detection', threshold)
cv2.waitKey(0)
cv2.destroyAllWindows()