机器视觉学习（九）—— 边缘检测_机器学习边缘检测

目录

一、边缘检测

1.1 Canny边缘检测

1.1.1 cv2.Canny函数

1.1.2 Canny边缘检测示例

1.2 角点检测

1.2.1 cv2.goodFeaturesToTrack()函数

1.2.2 OpenCV角点检测示例代码

1.3 直线检测

1.3.1 cv2.HoughLinesP()函数

1.3.2 OpenCV直线检测示例代码

1.4 圆形检测

1.4.1 cv2.HoughCircles()函数

1.4.2 OpenCV圆形检测示例代码

---

一、边缘检测

OpenCV中进行边缘检测的一般步骤如下：

1. 导入OpenCV库并读取图像：

import cv2
image = cv2.imread('image.jpg', 0)  # 以灰度模式读取图像

在这个步骤中，你需要将图像加载到内存中。你可以选择以灰度模式或彩色模式读取图像。

2. 对图像进行预处理（可选）： 根据具体情况，你可以对图像进行平滑处理（如高斯模糊）或增强处理（如直方图均衡化）。这一步骤可以帮助改善边缘检测的结果。

3. 使用边缘检测算法： 在OpenCV中，有多种边缘检测算法可供选择。以下是一些常用的算法：

• Canny边缘检测算法：

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

threshold1和threshold2是两个阈值，用于控制边缘检测的敏感度。

• Sobel算子：

gradient_x = cv2.Sobel(image, cv2.CV_64F, 1, 0, ksize=3)
gradient_y = cv2.Sobel(image, cv2.CV_64F, 0, 1, ksize=3)
edges = cv2.sqrt(gradient_x**2 + gradient_y**2)

使用了Sobel算子计算图像的水平和垂直梯度，并将两个梯度的平方和开方得到边缘强度。

4. 显示或保存结果：

cv2.imshow('Edges', edges)
cv2.waitKey(0)
cv2.destroyAllWindows()

1.1 Canny边缘检测

Canny边缘检测是一种经典的图像处理算法，也是OpenCV库中常用的边缘检测方法之一。它通过多个步骤来识别图像中的边缘，包括高斯滤波、梯度计算、非最大抑制和双阈值处理。

以下是对Canny边缘检测算法的详细解释：

1. 高斯滤波：首先，输入图像会经过一个高斯滤波器，以平滑图像并去除噪声。高斯滤波器是一个线性平滑滤波器，它使用一个二维高斯函数来计算图像中每个像素的新值。

2. 梯度计算：在经过高斯滤波之后，算法会计算每个像素的梯度幅值和方向。梯度幅值表示像素的变化强度，而梯度方向表示变化的方向。

3. 非最大抑制：接下来，算法会对梯度幅值进行非最大抑制。这个步骤的目的是找出图像中真正的边缘像素，而抑制非边缘的像素。对于每个像素，算法会检查其梯度方向，并与相邻像素进行比较。只有当像素的梯度幅值是该方向上的最大值时，才会被保留为边缘像素，否则会被抑制。

4. 双阈值处理：最后，算法会将梯度幅值分成两个阈值：低阈值和高阈值。低阈值用于确定弱边缘像素，而高阈值用于确定强边缘像素。具体而言，如果像素的梯度幅值大于高阈值，则被标记为强边缘像素。如果像素的梯度幅值小于低阈值，则被排除。介于两个阈值之间的像素将被视为弱边缘像素，只有在其周围有强边缘像素时才会被保留。

1.1.1 cv2.Canny函数

cv2.Canny()是OpenCV中用于执行Canny边缘检测的函数。它具有以下语法：

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

参数说明：

• image：输入图像。可以是灰度图像或彩色图像。
• threshold1：低阈值。边缘强度梯度低于该值的像素被认为不是边缘。
• threshold2：高阈值。边缘强度梯度高于该值的像素被认为是边缘。
• apertureSize（可选）：Sobel算子的孔径大小。默认值为3。
• L2gradient（可选）：一个布尔值，确定计算梯度的方式。如果为True，则使用L2范数计算梯度（更准确但计算量大）；如果为False，则使用L1范数计算梯度（快速但不太准确）。默认值为False。

返回值：

• edges：边缘检测结果图像。是一个二值图像，其中白色像素表示边缘，黑色像素表示背景。

注意：

• 通常情况下，推荐将threshold1设置为threshold2的1/3到1/2的值。
• 较小的阈值会产生更多的边缘，但可能有更多的噪声。
• 较大的阈值会过滤掉较弱的边缘，但可能会丢失一些边缘。

1.1.2 Canny边缘检测示例

下面是OpenCV进行Canny边缘检测的示例代码：

import cv2
 
# 读取图像
image = cv2.imread("image.jpg", cv2.IMREAD_GRAYSCALE)
 
# 执行Canny边缘检测
edges = cv2.Canny(image, 100, 200)
 
# 显示结果
cv2.imshow("Original Image", image)
cv2.imshow("Canny Edges", edges)
cv2.waitKey(0)
cv2.destroyAllWindows()

调用cv2.Canny函数进行Canny边缘检测。设置低阈值为100，高阈值为200。

1.2 角点检测

角点检测是计算机视觉中的一种关键技术，用于检测图像中的角点或特征点。角点是图像中两条边交汇形成的点，通常具有较高的局部变化和不变性。

OpenCV提供了几种角点检测算法，其中两种常用的方法是Harris角点检测和Shi-Tomasi角点检测。

1. Harris角点检测： Harris角点检测算法通过计算图像局部区域的灰度变化，判断是否存在角点。Harris角点检测算法的思想是计算每个像素的响应值，响应值较大的像素被认为是角点。它基于图像的一阶和二阶矩来计算特征值，从而判断每个像素是否为角点。

2. Shi-Tomasi角点检测： Shi-Tomasi角点检测算法是在Harris角点检测算法的基础上进行了改进。Shi-Tomasi角点检测算法使用了每个像素点的最小特征值，即响应最弱的特征值，作为选择角点的准则。这样可以得到比Harris角点检测更好的角点检测结果。

对于这两种角点检测算法，OpenCV提供了相应的函数，可以方便地进行角点检测。通过调整不同的参数，如窗口大小、响应值阈值等，可以得到不同的角点检测结果。

1.2.1 cv2.goodFeaturesToTrack()函数

cv2.goodFeaturesToTrack()是OpenCV中用于角点检测的函数。下面是该函数的详细解释：

corners = cv2.goodFeaturesToTrack(image, maxCorners, qualityLevel, minDistance, mask=None, blockSize=None, useHarrisDetector=None, k=None)

• image：输入的灰度图像。

• maxCorners：要检测的最大角点数量。如果检测到的角点数量超过该值，则会返回最强的角点。

• qualityLevel：角点质量因子，用于筛选角点。值范围为0到1，表示最好的角点质量。

• minDistance：两个角点之间的最小欧氏距离。如果两个角点之间的距离小于此值，则其中一个角点将被删除。

• mask（可选）：一个与输入图像大小相同的掩码图像，在掩码区域中不会检测到角点。

• blockSize（可选）：角点检测中使用的像素邻域大小。默认值为3。

• useHarrisDetector（可选）：一个布尔值，表示是否使用Harris角点检测器。默认为False，即使用Shi-Tomasi角点检测器。

• k（可选）：如果使用Harris角点检测器，此参数为Harris检测器的自由参数。默认值为0.04。

函数返回检测到的角点的坐标，以N x 1 x 2的Numpy数组形式返回。在返回的角点数组中，每个角点的坐标可以通过corner[0][0]和corner[0][1]来访问。

注意：

cv2.goodFeaturesToTrack()函数只能用于灰度图像

1.2.2 OpenCV角点检测示例代码

OpenCV进行角点检测的示例代码：

import cv2
import numpy as np
 
# 读取图像
img = cv2.imread("image.jpg")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
 
# 使用Shi-Tomasi角点检测
corners = cv2.goodFeaturesToTrack(gray, 100, 0.01, 10)
corners = np.int0(corners)
 
# 绘制角点
for corner in corners:
    x, y = corner.ravel()
    cv2.circle(img, (x, y), 3, (0, 0, 255), -1)
 
# 显示图像
cv2.imshow("Corners", img)
cv2.waitKey(0)
cv2.destroyAllWindows()

首先读取图像并将其转换为灰度图像。使用cv2.goodFeaturesToTrack()函数进行角点检测，其中参数gray是输入灰度图像，100是要检测的角点数量，0.01是角点质量因子（0.01 * 最大特征值），10是两个角点之间的最小距离，函数返回的是检测到的角点坐标。

我们使用np.int0()将角点坐标转换为整数类型，并使用cv2.circle()函数绘制出检测到的角点。最后，使用cv2.imshow()显示带有角点的图像，并使用cv2.waitKey()等待键盘输入。

1.3 直线检测

1.3.1 cv2.HoughLinesP()函数

cv2.HoughLinesP()函数是OpenCV中用于通过Hough变换检测图像中的直线的函数。HoughLinesP()函数是Hough变换的参数空间的一种优化，它可以直接检测出图像中的直线的端点。

 lines = cv2.HoughLinesP(image, rho, theta, threshold, minLineLength, maxLineGap)

参数解释：

• image: 输入的二值图像。
• rho: Hough变换中表示距离精度的参数。
• theta: Hough变换中表示角度精度的参数。
• threshold: Hough变换中表示直线的最小投票数。
• minLineLength: 最小直线长度。
• maxLineGap: 最大直线间隙。

返回值：

• lines: 返回检测到的直线的起点和终点坐标。每个元素代表一条直线，每条直线由端点坐标组成。

1.3.2 OpenCV直线检测示例代码

在OpenCV中，可以使用Hough变换来进行直线检测。以下是使用OpenCV进行直线检测的示例代码：

import cv2
import numpy as np
 
# 加载图像
image = cv2.imread('image.jpg')
 
# 转换为灰度图像
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
 
# 进行边缘检测
edges = cv2.Canny(gray, 50, 150)
 
# 进行直线检测
lines = cv2.HoughLinesP(edges, 1, np.pi/180, threshold=100, minLineLength=100, maxLineGap=10)
 
# 绘制检测到的直线
if lines is not None:
    for line in lines:
        x1, y1, x2, y2 = line[0]
        cv2.line(image, (x1, y1), (x2, y2), (0, 255, 0), thickness=2)
 
# 显示结果
cv2.imshow("Result", image)
cv2.waitKey(0)
cv2.destroyAllWindows()

1.4 圆形检测

在OpenCV中进行圆形检测，可以使用Hough圆变换。Hough圆变换可以检测图像中的圆形轮廓。

1.4.1 cv2.HoughCircles()函数

使用cv2.HoughCircles()函数可以实现圆形检测。

circles = cv2.HoughCircles(image, method, dp, minDist, param1, param2, minRadius, maxRadius)

参数解释：

• image: 输入图像，通常为灰度图像。
• method: Hough圆变换的检测方法，一般使用cv2.HOUGH_GRADIENT。
• dp: 累加器图像分辨率与输入图像分辨率的倒数之比。通常设置为1。
• minDist: 检测到的圆心之间的最小距离。
• param1: 第一个方法特定的参数，对于HOUGH_GRADIENT方法，表示Canny边缘检测的高阈值。
• param2: 第二个方法特定的参数，对于HOUGH_GRADIENT方法，表示检测阶段圆心累加器阈值。
• minRadius: 最小圆形半径。
• maxRadius: 最大圆形半径。

返回值：

• circles: 返回检测到的圆形的圆心坐标和半径。

1.4.2 OpenCV圆形检测示例代码

在OpenCV中，可以使用Hough圆变换来进行直线检测。以下是使用OpenCV进行圆形检测的示例代码：

import cv2
import numpy as np
 
image = cv2.imread('image.jpg')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
gray = cv2.medianBlur(gray, 5)
 
circles = cv2.HoughCircles(gray, cv2.HOUGH_GRADIENT, dp=1, minDist=20, param1=50, param2=30, minRadius=0, maxRadius=0)
 
if circles is not None:
    circles = np.round(circles[0, :]).astype("int")
    for (x, y, r) in circles:
        cv2.circle(image, (x, y), r, (0, 255, 0), 4)
 
cv2.imshow('image', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

以上示例代码中，首先读取图像并将其转换为灰度图像。然后对灰度图像进行中值滤波来去除噪声。接下来使用cv2.HoughCircles()函数检测图像中的圆形，并将检测到的圆形绘制在原图像上。最后显示原图像。