Обнаружение краев изображения OpenCV
Обнаружение краёв изображения — фундаментальная задача в компьютерном зрении и обработке изображений. Оно используется для выявления областей на изображении, где яркость значительно изменяется, и эти области обычно соответствуют границам объектов.
Ниже приведены часто используемые функции обнаружения краёв в OpenCV и их описания:
| Функция | Алгоритм | Описание | Применимые сценарии |
|---|---|---|---|
cv2.Canny() | Обнаружение границ Canny | Многоступенчатый алгоритм, хорошая эффективность обнаружения, сильная способность подавления шума. | Универсальное обнаружение краёв, подходит для большинства сценариев. |
cv2.Sobel() | Оператор Собеля | Обнаружение границ на основе производных первого порядка, позволяет обнаруживать горизонтальные и вертикальные границы. | Обнаружение горизонтальных и вертикальных границ. |
cv2.Scharr() | Оператор Шарра | Улучшенная версия оператора Собеля с более сильным откликом на границы. | Обнаружение слабых границ. |
cv2.Laplacian() | Оператор Лапласа | Обнаружение границ на основе производных второго порядка, чувствительно к шуму. | Обнаружение границ и углов. |
1. Обнаружение границ методом Кэнни (cv2.Canny())
Обнаружение границ методом Кэнни — это многоэтапный алгоритм обнаружения границ, предложенный Джоном Ф. Кэнни в 1986 году.
Обнаружение границ методом Кэнни считается "золотым стандартом" обнаружения границ, поскольку оно обеспечивает хороший баланс между подавлением шума и локализацией границ.
1.1 Этапы обнаружения границ методом Кэнни
Алгоритм обнаружения границ Canny в основном включает следующие шаги:
- Подавление шума: Используйте фильтр Гаусса для сглаживания изображения, чтобы уменьшить влияние шума.
- Вычисление градиента: Используйте оператор Собеля для вычисления величины и направления градиента изображения.
- Подавление немаксимумов: Вдоль направления градиента сохраняйте пиксели с максимальным локальным градиентом и подавляйте остальные пиксели.
- Двойная пороговая обработка: Используйте два порога (низкий и высокий) для определения истинных границ. Пиксели выше высокого порога считаются сильными границами, пиксели ниже низкого порога подавляются, а пиксели между двумя порогами сохраняются, если они связаны с сильными границами.
- Соединение границ: С помощью гистерезисной пороговой обработки слабые границы соединяются с сильными, образуя полные границы.
1.2 Реализация обнаружения границ Canny с помощью OpenCV
В OpenCV можно использоватьcv2.Canny()функция для реализации обнаружения границ Canny.
Прототип этой функции выглядит следующим образом:
edges = cv2.Canny(image, threshold1, threshold2, apertureSize=3, L2gradient=False)
image: Входное изображение, должно быть одноканальным изображением в градациях серого.threshold1: Низкий порог.threshold2: Высокий порог.apertureSize: Размер апертуры оператора Собеля, по умолчанию равен 3.L2gradient: Использовать ли норму L2 для вычисления величины градиента, по умолчанию False (используется норма L1).
Пример
import numpy as np
# Чтение изображения
image = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)
# Применить обнаружение границ Canny
edges = cv2.Canny(image, 100, 200)
# Отобразить результат
cv2.imshow('Границы Canny', edges)
cv2.waitKey(0)
cv2.destroyAllWindows()
2. Оператор Собеля (cv2.Sobel())
Оператор Собеля — это основанный на градиенте оператор обнаружения границ, который обнаруживает границы путем вычисления градиентов изображения в горизонтальном и вертикальном направлениях.
Оператор Собеля сочетает гауссово сглаживание и дифференцирование, поэтому он оказывает определенный эффект подавления шума.
2.1 Принцип работы оператора Собеля
Оператор Собеля использует два ядра свертки 3x3 для вычисления градиентов изображения в горизонтальном и вертикальном направлениях соответственно:
- Горизонтальное ядро свертки:
[-1, 0, 1] [-2, 0, 2] [-1, 0, 1]
- Ядро вертикальной свертки:
[-1, -2, -1] [ 0, 0, 0] [ 1, 2, 1]
С помощью этих двух ядер свертки можно получить градиенты изображения в горизонтальном и вертикальном направлениях соответственноGxиGy. Итоговую величину градиента можно вычислить по следующей формуле:
G = sqrt(Gx^2 + Gy^2)
2.2 Реализация оператора Собеля с помощью OpenCV
В OpenCV можно использоватьcv2.Sobel()функция для вычисления градиента изображения. Прототип этой функции выглядит следующим образом:
dst = cv2.Sobel(src, ddepth, dx, dy, ksize=3, scale=1, delta=0, borderType=cv2.BORDER_DEFAULT)
src: Входное изображение.ddepth: Глубина выходного изображения, обычно используетсяcv2.CV_64F。dx: Порядок производной в направлении x.dy: Порядок производной в направлении y.ksize: Размер ядра Собеля, по умолчанию 3.scale: Масштабный коэффициент, по умолчанию 1.delta: Необязательное значение дельты, по умолчанию 0.borderType: Тип расширения границы, по умолчаниюcv2.BORDER_DEFAULT。
Пример
import numpy as np
# Чтение изображения
image = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)
# Вычислить градиент в направлении x
sobel_x = cv2.Sobel(image, cv2.CV_64F, 1, 0, ksize=3)
# Вычислить градиент в направлении y
sobel_y = cv2.Sobel(image, cv2.CV_64F, 0, 1, ksize=3)
# Вычислить величину градиента
sobel_combined = np.sqrt(sobel_x**2 + sobel_y**2)
# Отобразить результат
cv2.imshow('Sobel X', sobel_x)
cv2.imshow('Sobel Y', sobel_y)
cv2.imshow('Sobel Combined', sobel_combined)
cv2.waitKey(0)
cv2.destroyAllWindows()
3. Оператор Лапласа (cv2.Laplacian())
Оператор Лапласа — это дифференциальный оператор второго порядка, который обнаруживает края путём вычисления второй производной изображения. Оператор Лапласа относительно чувствителен к шуму, поэтому перед использованием изображение обычно сглаживают фильтром Гаусса.
3.1 Принцип оператора Лапласа
Оператор Лапласа использует следующее ядро свёртки для вычисления второй производной изображения:
[ 0, 1, 0] [ 1, -4, 1] [ 0, 1, 0]
С помощью этого ядра свёртки можно получить значение лапласиана изображения. Области с большими значениями лапласиана обычно соответствуют краям изображения.
3.2 Реализация оператора Лапласа с помощью OpenCV
В OpenCV можно использоватьcv2.Laplacian()функция для вычисления значения лапласиана изображения.
Прототип этой функции выглядит следующим образом:
dst = cv2.Laplacian(src, ddepth, ksize=1, scale=1, delta=0, borderType=cv2.BORDER_DEFAULT)
src: Входное изображение.ddepth: Глубина выходного изображения, обычно используетсяcv2.CV_64F。ksize: Размер ядра Лапласа, по умолчанию 1.scale: Масштабный коэффициент, по умолчанию 1.delta: Необязательное значение дельты, по умолчанию 0.borderType: Тип расширения границы, по умолчаниюcv2.BORDER_DEFAULT。
Пример
import numpy as np
# Чтение изображения
image = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)
# Применить оператор Лапласа
laplacian = cv2.Laplacian(image, cv2.CV_64F)
# Отобразить результат
cv2.imshow('Laplacian', laplacian)
cv2.waitKey(0)
cv2.destroyAllWindows()
Сравнение распространённых функций обнаружения краёв
Ниже приведено сравнение распространённых функций обнаружения краёв в OpenCV:
| Функция | Алгоритм | Преимущества | Недостатки | Применимые сценарии |
|---|---|---|---|---|
cv2.Canny() | Обнаружение границ Canny | Сильное подавление шума, хорошие показатели обнаружения границ. | Настройка параметров относительно сложна. | Универсальное обнаружение краёв, подходит для большинства сценариев. |
cv2.Sobel() | Оператор Собеля | Простые вычисления, подходит для обнаружения горизонтальных и вертикальных границ. | Чувствителен к шуму, средние показатели обнаружения границ. | Обнаружение горизонтальных и вертикальных границ. |
cv2.Scharr() | Оператор Шарра | Более выраженный отклик на границы, подходит для обнаружения малозаметных границ. | Чувствителен к шуму. | Обнаружение слабых границ. |
cv2.Laplacian() | Оператор Лапласа | Может обнаруживать границы и углы. | Очень чувствителен к шуму. | Обнаружение границ и углов. |