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:

ФункцияАлгоритмОписаниеПрименимые сценарии
cv2.Canny()Обнаружение границ CannyМногоступенчатый алгоритм, хорошая эффективность обнаружения, сильная способность подавления шума.Универсальное обнаружение краёв, подходит для большинства сценариев.
cv2.Sobel()Оператор СобеляОбнаружение границ на основе производных первого порядка, позволяет обнаруживать горизонтальные и вертикальные границы.Обнаружение горизонтальных и вертикальных границ.
cv2.Scharr()Оператор ШарраУлучшенная версия оператора Собеля с более сильным откликом на границы.Обнаружение слабых границ.
cv2.Laplacian()Оператор ЛапласаОбнаружение 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:

  1. Подавление шума: Используйте фильтр Гаусса для сглаживания изображения, чтобы уменьшить влияние шума.
  2. Вычисление градиента: Используйте оператор Собеля для вычисления величины и направления градиента изображения.
  3. Подавление немаксимумов: Вдоль направления градиента сохраняйте пиксели с максимальным локальным градиентом и подавляйте остальные пиксели.
  4. 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.
  5. 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 cv2
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 cv2
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 cv2
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:

ФункцияАлгоритмПреимуществаНедостаткиПрименимые сценарии
cv2.Canny()Обнаружение границ CannyСильное подавление шума, хорошие показатели обнаружения границ.Настройка параметров относительно сложна.Универсальное обнаружение краёв, подходит для большинства сценариев.
cv2.Sobel()Оператор СобеляПростые вычисления, подходит для обнаружения горизонтальных и вертикальных границ.Чувствителен к шуму, средние показатели обнаружения границ.Обнаружение горизонтальных и вертикальных границ.
cv2.Scharr()Оператор ШарраБолее выраженный отклик на границы, подходит для обнаружения малозаметных границ.Чувствителен к шуму.Обнаружение слабых границ.
cv2.Laplacian()Оператор ЛапласаМожет обнаруживать границы и углы.Очень чувствителен к шуму.Обнаружение границ и углов.
Другие расширения