OpenCV Detección de bordes de imágenes
La detección de bordes de imágenes es una tarea fundamental en la visión por computadora y el procesamiento de imágenes. Se utiliza para identificar regiones de la imagen donde el brillo cambia de manera significativa, y estas regiones suelen corresponder a los límites de los objetos.
Las funciones de detección de bordes más utilizadas en OpenCV y sus descripciones son:
| Función | Algoritmo | Descripción | Escenario de aplicación |
|---|---|---|---|
cv2.Canny() | Detección de bordes Canny | Algoritmo de múltiples etapas, con buenos resultados de detección y una fuerte capacidad de supresión de ruido. | Detección de bordes de uso general, adecuada para la mayoría de los escenarios. |
cv2.Sobel() | Operador Sobel | Detección de bordes basada en derivadas de primer orden; puede detectar bordes horizontales y verticales. | Detección de bordes horizontales y verticales. |
cv2.Scharr() | Operador Scharr | Versión mejorada del operador Sobel, con una respuesta más fuerte a los bordes. | Detección de bordes sutiles. |
cv2.Laplacian() | Operador Laplaciano | Detección de bordes basada en derivadas de segundo orden; sensible al ruido. | Detección de bordes y esquinas. |
1. Detección de bordes Canny (cv2.Canny())
La detección de bordes Canny es un algoritmo de detección de bordes de múltiples etapas, propuesto por John F. Canny en 1986.
La detección de bordes Canny se considera el "estándar de oro" de la detección de bordes, ya que logra un buen equilibrio entre la supresión de ruido y la localización de bordes.
1.1 Pasos de la detección de bordes Canny
El algoritmo de detección de bordes Canny incluye principalmente los siguientes pasos:
- Supresión de ruido: Utilizar un filtro gaussiano para suavizar la imagen y reducir el impacto del ruido.
- Cálculo del gradiente: Utilizar el operador Sobel para calcular la magnitud y la dirección del gradiente de la imagen.
- Supresión de no máximos: A lo largo de la dirección del gradiente, se conservan los píxeles con el mayor gradiente local y se suprimen los demás píxeles.
- Detección de doble umbral: Se utilizan dos umbrales (umbral bajo y umbral alto) para determinar los bordes reales. Los píxeles por encima del umbral alto se consideran bordes fuertes, los píxeles por debajo del umbral bajo se suprimen, y los píxeles entre ambos se conservan si están conectados a bordes fuertes.
- Conexión de bordes: Mediante el procesamiento de umbral por histéresis, los bordes débiles se conectan con los bordes fuertes para formar bordes completos.
1.2 Implementación de la detección de bordes Canny con OpenCV
En OpenCV, se puede utilizar la funcióncv2.Canny()para implementar la detección de bordes Canny.
El prototipo de esta función es el siguiente:
edges = cv2.Canny(image, threshold1, threshold2, apertureSize=3, L2gradient=False)
image: Imagen de entrada; debe ser una imagen en escala de grises de un solo canal.threshold1: Umbral bajo.threshold2: Umbral alto.apertureSize: Tamaño de apertura del operador Sobel; por defecto es 3.L2gradient: Si se utiliza la norma L2 para calcular la magnitud del gradiente; por defecto es False (se utiliza la norma L1).
Ejemplo
import numpy as np
# Leer la imagen
image = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)
# Aplicar la detección de bordes Canny
edges = cv2.Canny(image, 100, 200)
# Mostrar el resultado
cv2.imshow('Canny Edges', edges)
cv2.waitKey(0)
cv2.destroyAllWindows()
2. Operador Sobel (cv2.Sobel())
El operador Sobel es un operador de detección de bordes basado en gradientes. Detecta bordes calculando los gradientes de la imagen en las direcciones horizontal y vertical.
El operador Sobel combina el suavizado gaussiano con la operación diferencial, por lo que tiene cierto efecto de supresión de ruido.
2.1 Principio del operador Sobel
El operador Sobel utiliza dos núcleos de convolución de 3x3 para calcular los gradientes de la imagen en las direcciones horizontal y vertical, respectivamente:
- Núcleo de convolución para la dirección horizontal:
[-1, 0, 1] [-2, 0, 2] [-1, 0, 1]
- Núcleo de convolución para la dirección vertical:
[-1, -2, -1] [ 0, 0, 0] [ 1, 2, 1]
Con estos dos núcleos de convolución, se pueden obtener los gradientes de la imagen en las direcciones horizontal y vertical, respectivamente.GxyGyLa magnitud final del gradiente se puede calcular mediante la siguiente fórmula:
G = sqrt(Gx^2 + Gy^2)
2.2 Implementación del operador Sobel con OpenCV
En OpenCV, se puede utilizar la funcióncv2.Sobel()para calcular el gradiente de la imagen. El prototipo de esta función es el siguiente:
dst = cv2.Sobel(src, ddepth, dx, dy, ksize=3, scale=1, delta=0, borderType=cv2.BORDER_DEFAULT)
src: Imagen de entrada.ddepth: Profundidad de la imagen de salida; generalmente se utilizacv2.CV_64F。dx: Orden de la derivada en la dirección x.dy: Orden de la derivada en la dirección y.ksize: Tamaño del núcleo Sobel; por defecto es 3.scale: Factor de escala; por defecto es 1.delta: Valor delta opcional; por defecto es 0.borderType: Tipo de relleno de bordes; por defecto escv2.BORDER_DEFAULT。
Ejemplo
import numpy as np
# Leer la imagen
image = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)
# Calcular el gradiente en la dirección x
sobel_x = cv2.Sobel(image, cv2.CV_64F, 1, 0, ksize=3)
# Calcular el gradiente en la dirección y
sobel_y = cv2.Sobel(image, cv2.CV_64F, 0, 1, ksize=3)
# Calcular la magnitud del gradiente
sobel_combined = np.sqrt(sobel_x**2 + sobel_y**2)
# Mostrar el resultado
cv2.imshow('Sobel X', sobel_x)
cv2.imshow('Sobel Y', sobel_y)
cv2.imshow('Sobel Combined', sobel_combined)
cv2.waitKey(0)
cv2.destroyAllWindows()
3. Operador Laplaciano (cv2.Laplacian())
El operador Laplaciano es un operador diferencial de segundo orden. Detecta bordes calculando la segunda derivada de la imagen. El operador Laplaciano es sensible al ruido, por lo que generalmente se aplica un suavizado gaussiano a la imagen antes de utilizarlo.
3.1 Principio del operador Laplaciano
El operador Laplaciano utiliza el siguiente núcleo de convolución para calcular la segunda derivada de la imagen:
[ 0, 1, 0] [ 1, -4, 1] [ 0, 1, 0]
Con este núcleo de convolución, se puede obtener el valor laplaciano de la imagen. Las regiones con valores laplacianos grandes suelen corresponder a los bordes de la imagen.
3.2 Implementación del operador Laplaciano con OpenCV
En OpenCV, se puede utilizar la funcióncv2.Laplacian()para calcular el valor laplaciano de la imagen.
El prototipo de esta función es el siguiente:
dst = cv2.Laplacian(src, ddepth, ksize=1, scale=1, delta=0, borderType=cv2.BORDER_DEFAULT)
src: Imagen de entrada.ddepth: Profundidad de la imagen de salida; generalmente se utilizacv2.CV_64F。ksize: Tamaño del núcleo Laplaciano; por defecto es 1.scale: Factor de escala; por defecto es 1.delta: Valor delta opcional; por defecto es 0.borderType: Tipo de relleno de bordes; por defecto escv2.BORDER_DEFAULT。
Ejemplo
import numpy as np
# Leer la imagen
image = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)
# Aplicar el operador Laplaciano
laplacian = cv2.Laplacian(image, cv2.CV_64F)
# Mostrar el resultado
cv2.imshow('Laplacian', laplacian)
cv2.waitKey(0)
cv2.destroyAllWindows()
Comparación de funciones comunes de detección de bordes
La siguiente es una comparación de las funciones de detección de bordes más utilizadas en OpenCV:
| Función | Algoritmo | Ventajas | Desventajas | Escenario de aplicación |
|---|---|---|---|---|
cv2.Canny() | Detección de bordes Canny | Fuerte capacidad de supresión de ruido y buenos resultados de detección de bordes. | El ajuste de parámetros es relativamente complejo. | Detección de bordes de uso general, adecuada para la mayoría de los escenarios. |
cv2.Sobel() | Operador Sobel | Cálculo simple, adecuado para detectar bordes horizontales y verticales. | Sensible al ruido; resultados de detección de bordes regulares. | Detección de bordes horizontales y verticales. |
cv2.Scharr() | Operador Scharr | Respuesta más fuerte a los bordes, adecuado para detectar bordes sutiles. | Sensible al ruido. | Detección de bordes sutiles. |
cv2.Laplacian() | Operador Laplaciano | Puede detectar bordes y esquinas. | Muy sensible al ruido. | Detección de bordes y esquinas. |