快捷導(dǎo)航

Python利用OpenCV和skimage實(shí)現(xiàn)圖像邊緣檢測

更新時(shí)間：2022年12月28日 08:56:52 作者：葉庭云

提取圖片的邊緣信息是底層數(shù)字圖像處理的基本任務(wù)之一。本文將通過OpenCV和skimage的?Canny?算法實(shí)現(xiàn)圖像邊緣檢測，感興趣的可以了解一下

一、簡介

提取圖片的邊緣信息是底層數(shù)字圖像處理的基本任務(wù)之一。邊緣信息對進(jìn)一步提取高層語義信息有很大的影響。大部分邊緣檢測算法都是上個(gè)世紀(jì)的了，OpenCV 的使用的算法是 Canny 邊緣檢測算法，大概是在 1986 年由 John F. Canny 提出了，似乎說明邊緣檢測算法的研究已經(jīng)到達(dá)了瓶頸期。跟人眼系統(tǒng)相比，邊緣檢測算法仍然遜色不少。

Canny 邊緣檢測算法是比較出色的算法，也是一種多步算法，可用于檢測任何輸入圖像的邊緣。利用它檢測圖像邊緣時(shí)主要有以下步驟：

應(yīng)用高斯濾波來平滑圖像，目的是去除噪聲。
計(jì)算高斯濾波器的導(dǎo)數(shù)，計(jì)算圖像像素的梯度，得到沿x和y維度的梯度。
應(yīng)用非最大抑制（non-maximum suppression）技術(shù)來消除邊緣誤檢（本來不是但檢測出來是）
應(yīng)用雙閾值的方法來決定可能的（潛在的）邊界
利用滯后閾值方法保留高于梯度幅值的像素，忽略低于低閾值的像素，實(shí)現(xiàn)邊緣追蹤。

Canny 的目標(biāo)是找到一個(gè)最優(yōu)的邊緣檢測算法，最優(yōu)邊緣檢測的含義是：

最優(yōu)檢測：算法能夠盡可能多地標(biāo)識(shí)出圖像中的實(shí)際邊緣，漏檢真實(shí)邊緣的概率和誤檢非邊緣的概率都盡可能??；
最優(yōu)定位準(zhǔn)則：檢測到的邊緣點(diǎn)的位置距離實(shí)際邊緣點(diǎn)的位置最近，或者是由于噪聲影響引起檢測出的邊緣偏離物體的真實(shí)邊緣的程度最?。?/li>
檢測點(diǎn)與邊緣點(diǎn)一一對應(yīng)：算子檢測的邊緣點(diǎn)與實(shí)際邊緣點(diǎn)應(yīng)該是一一對應(yīng)。

為了滿足這些要求 Canny 使用了變分法（calculus of variations），這是一種尋找優(yōu)化特定功能的函數(shù)的方法。最優(yōu)檢測使用四個(gè)指數(shù)函數(shù)項(xiàng)表示，它可以由高斯函數(shù)的一階導(dǎo)數(shù)來近似。

二、opencv 實(shí)踐

cv2.Canny(image, threshold1, threshold2, edges=None, apertureSize=None, L2gradient=None):
# 用自定義梯度
cv2.Canny(dx, dy, threshold1, threshold2[, edges[, L2gradient]]) -> edges

image：參表示8位輸入圖像
threshold1：設(shè)置的低閾值
threshold2：設(shè)置的高閾值
edges：輸出邊緣圖像，單通道8位圖像
apertureSize：Sobel算子的大小
L2gradient：一個(gè)布爾值，如果為真，則使用更精確的 L2 范數(shù)進(jìn)行計(jì)算(即兩個(gè)方向的倒數(shù)的平方和再開方)，否則使用 L1 范數(shù)(直接將兩個(gè)方向?qū)?shù)的絕對值相加)。

def opencv_canny(image):
    # 高斯模糊  降低噪聲
    blurred = cv.GaussianBlur(image, (5, 5), 0)
    # 轉(zhuǎn)為灰度圖像
    gray = cv.cvtColor(blurred, cv.COLOR_BGR2GRAY)
    # 計(jì)算x y 方向梯度
    grad_x = cv.Sobel(gray, cv.CV_16SC1, 1, 0)
    grad_y = cv.Sobel(gray, cv.CV_16SC1, 0, 1)
    edge_output = cv.Canny(grad_x, grad_y,  60, 120)
    # 英文字體   Times New Roman
    plt.rcParams['font.sans-serif'] = ['Times New Roman']

    # 可視化結(jié)果
    plt.figure(figsize=(8, 4), dpi=500)
    plt.subplot(121)
    plt.imshow(gray, cmap='gray')
    plt.title('Original Image', fontsize=18)
    plt.xticks([]), plt.yticks([])
    plt.subplot(122)
    plt.imshow(edge_output, cmap='gray')
    plt.title('Edge Image', fontsize=18)
    plt.xticks([]), plt.yticks([])
    plt.savefig("002.png", dpi=500)
    plt.show()


if __name__ == "__main__":
    # 讀取圖像  傳入
    src = cv.imread("Lenna.png")
    opencv_canny(src)

結(jié)果如下：

三、skimage 實(shí)踐

import numpy as np
from skimage.io import imread
from skimage.feature import canny
import matplotlib.pyplot as plt

# 讀取圖像
img = imread("Lenna.png", as_gray=True)
# 高斯模糊  降低噪聲
img = cv.GaussianBlur(img, (5, 5), 0)

# Canny邊緣檢測
edges = canny(img, sigma=1.6)

# 可視化結(jié)果
plt.rcParams['font.sans-serif'] = ['Times New Roman']
plt.figure(figsize=(8, 4), dpi=500)
plt.subplot(121)
plt.imshow(img, cmap='gray')
plt.title('Original Image', fontsize=18)
plt.xticks([]), plt.yticks([])
plt.subplot(122)
plt.imshow(edges, cmap='gray')
plt.title('Edge Image', fontsize=18)
plt.xticks([]), plt.yticks([])

plt.show()

結(jié)果如下：

import numpy as np
import matplotlib.pyplot as plt
from scipy import ndimage as ndi
from skimage import feature


# 產(chǎn)生帶有噪聲的舉行圖案
im = np.zeros((128, 128))
im[32:-32, 32:-32] = 1
im = ndi.rotate(im, 15, mode='constant')  # 旋轉(zhuǎn)一定角度
im = ndi.gaussian_filter(im, 4)
im += 0.2 * np.random.random(im.shape)

# Compute the Canny filter for two values of sigma
edges1 = feature.canny(im, sigma=1)
edges2 = feature.canny(im, sigma=3)

# display results
fig, (ax1, ax2, ax3) = plt.subplots(nrows=1, ncols=3, figsize=(8, 4),
                                    sharex=True, sharey=True, dpi=500)

ax1.imshow(im, cmap=plt.cm.gray)
ax1.axis('off')
ax1.set_title('Noisy image', fontsize=20)

ax2.imshow(edges1, cmap=plt.cm.gray)
ax2.axis('off')
ax2.set_title(r'Canny filter, $\sigma=1$', fontsize=20)

ax3.imshow(edges2, cmap=plt.cm.gray)
ax3.axis('off')
ax3.set_title(r'Canny filter, $\sigma=3$', fontsize=20)

fig.tight_layout()

plt.show()

結(jié)果如下：

skimage 庫中函數(shù)

skimage.feature.canny(image, sigma=1.0,
                      low_threshold=None, high_threshold=None,
                      mask=None, use_quantiles=False)