Python中图像边缘检测算法如何实现(python,开发技术)

本文采用面向对象设计，定义了一个边缘检测类EdgeDetect，使图像边缘检测算法的应用更简洁，例如

importcv2importnumpyasnpimportmatplotlib.pyplotaspltDetector=EdgeDetect('1.jpg')Prewitt=Detector.prewitt()plt.imshow(Prewitt,'gray')plt.show()

这个类的构造函数为

classEdgeDetect:def__init__(self,img)->None:self.src=cv2.imread(img)self.gray=cv2.cvtColor(self.src,cv2.COLOR_BGR2GRAY)

读取的是图像的基本信息。

1.一阶微分算子

图像边缘是数字图像的高频成分，对应图像梯度的极值。在二维离散数字图像上，某个方向上图像强度函数微分使用有限差分法来近似，即：

因此图像边缘检测即是对图像的差分运算。

1.1 Prewitt算子

Prewitt算子本质上就是x或y方向上相邻像素的差分。

那我们常说的图像梯度是什么意思呢？

其实就是用x与y方向上相邻像素的差分为方向的向量

在编程实现上，就是构造上图的两个方向的滤波算子，然后将x xx、y yy两个方向的边缘合成就是整张图各方向的边缘检测结果

defprewitt(self):#Prewitt算子kernelX=np.array([[1,1,1],[0,0,0],[-1,-1,-1]],dtype=int)kernelY=np.array([[-1,0,1],[-1,0,1],[-1,0,1]],dtype=int)#对图像滤波x=cv2.filter2D(self.gray,cv2.CV_16S,kernelX)y=cv2.filter2D(self.gray,cv2.CV_16S,kernelY)#转uint8,图像融合absX=cv2.convertScaleAbs(x)absY=cv2.convertScaleAbs(y)returncv2.addWeighted(absX,0.5,absY,0.5,0)

1.2 Sobel算子

对高斯核函数x、y方向求导，并将其模板化即得Sobel算子。Sobel算子相比于Prewitt算子有更强的抗噪能力，因为其结合了高斯滤波的效果。

在编程实现上，就是构造上图的两个方向的滤波算子，然后将x、y两个方向的边缘合成就是整张图各方向的边缘检测结果

defsobel(self):#Sobel算子kernelX=np.array([[1,2,1],[0,0,0],[-1,-2,-1]],dtype=int)kernelY=np.array([[-1,-2,-1],[0,0,0],[1,2,1]],dtype=int)#对图像滤波x=cv2.filter2D(self.gray,cv2.CV_16S,kernelX)y=cv2.filter2D(self.gray,cv2.CV_16S,kernelY)#转uint8,图像融合absX=cv2.convertScaleAbs(x)absY=cv2.convertScaleAbs(y)returncv2.addWeighted(absX,0.5,absY,0.5,0)

2.二阶微分算子

2.1 Laplace算子

将Laplace算子

写成差分方程形式为

将差分方程进一步写成卷积核形式如图(a)，可将其扩展为图(b)使之具有各向同性。微分算子属于高通滤波，在锐化边缘的同时也增强了噪点，因此Laplace算子抗噪能力弱，且不能检测边缘方向。

在编程实现上，就是构造上图的滤波算子

#Laplace算子deflaplace(self):kernel=np.array([[0,-1,0],[-1,4,-1],[0,-1,0]],dtype=int)img=cv2.filter2D(self.gray,cv2.CV_16S,kernel)returncv2.convertScaleAbs(img)

2.2 LoG算子

为克服Laplace算子抗噪能力弱这一问题，引入高斯-拉普拉斯算子(LoG, Laplace of Gaussian)，即先低通滤除噪声，再高通强化边缘，LoG算子本质上是带通滤波器。

在编程实现上，就是构造上图的滤波算子

#LoG算子defLoG(self):kernel=np.array([[0,0,1,0,0],[0,1,2,1,0],[1,2,-16,2,1],[0,1,2,1,0],[0,0,1,0,0]],dtype=int)img=cv2.filter2D(self.gray,cv2.CV_16S,kernel)returncv2.convertScaleAbs(img)

3.Canny边缘检测

Canny边缘检测算法可以分为以下步骤。

• 使用Sobel算子滤除原图像噪声，并得到梯度图；

• 应用非极大值抑制(Non-Maximum Suppression, NMS)以消除边缘检测、目标检测带来的杂散响应，即对待测边缘或目标，应尽可能有唯一的准确响应

• 应用双阈值(Double-Threshold)检测来确定真实的和潜在的边缘。

使用如下双阈值检测算法解决因噪声引起的杂散边缘响应。

阈值的选择取决于给定输入图像的内容。下面对弱边缘进一步审查，即

通常，由真实边缘引起的弱边缘像素将连接到强边缘像素，而噪声响应未连接。为了跟踪边缘连接，通过查看弱边缘像素的8个邻域像素是否存在强边缘像素，来决定是否滤除该弱边缘点。

下面是Canny边缘检测算法的效果。