- 本文是個人快速入門OpenCV-Python的電子筆記，由於水平有限，難免出現錯漏，敬請批評改正。
Scharr 算子
- 在離散的空間上，有很多方法可以用來計算近似導數，在使用 3×3 的 Sobel 算子時，可能計算結果並不太精准。OpenCV 提供了 Scharr 算子，該算子具有和 Sobel 算子同樣的速度，且精度更高。
- Scharr 算子，一般定義為 [ − 3 0 3 − 10 0 10 − 3 0 3 ] \left[ \begin{matrix} -3 & 0 & 3\\ -10 & 0 & 10 \\ -3 & 0 & 3 \end{matrix} \right] ⎣⎡−3−10−30003103⎦⎤ [ − 3 − 10 − 3 0 0 0 − 3 10 3 ] \left[ \begin{matrix} -3 & -10 & -3\\ 0 & 0 & 0 \\ -3 & 10 & 3 \end{matrix} \right] ⎣⎡−30−3−10010−303⎦⎤
- Scharr 算子的計算方式與Sobel 算子的一樣，只是算子不一樣。
import cv2 import numpy as np img1=cv2.imread("1.jpg",0) img1_resize=cv2.resize(img1,(400,400)) ''' dst = cv2.Scharr( src, ddepth, dx, dy[, scale[, delta[, borderType]]] ) 參數說明： dst 代表輸出圖像。 src 代表原始圖像。 ddepth 代表輸出圖像深度。該值與函數 cv2.Sobel()中的參數 ddepth 的含義相同 dx 代表 x 方向上的導數階數。 dy 代表 y 方向上的導數階數。 scale 代表計算導數值時的縮放因子，該項是可選項，默認值是 1，表示沒有縮放。 delta 代表加到目標圖像上的亮度值，該項是可選項，默認值為 0。 borderType 代表邊界樣式。 ''' # 計算水平方向邊緣（梯度）：dx=1,dy=0 Scharrx = cv2.Scharr(img1_resize,cv2.CV_64F,1,0) # 取計算結果絕對值 ScharrxAbs=cv2.convertScaleAbs(Scharrx) # 計算垂直方向邊緣（梯度）：dx=0,dy=1 Scharry = cv2.Scharr(img1_resize,cv2.CV_64F,0,1) # 取計算結果絕對值 ScharryAbs=cv2.convertScaleAbs(Scharry) # 計算x方向和y方向的邊緣疊加 Scharrx_add_Scharry=cv2.addWeighted(Scharrx,0.5,Scharry,0.5,0) cv2.imshow("origin",img1_resize) cv2.imshow("Scharrx",Scharrx) cv2.imshow("ScharrxAbs",ScharrxAbs) cv2.imshow("Scharry",Scharry) cv2.imshow("SobelyAbs",ScharryAbs) cv2.imshow("Scharrx_add_Scharry",Scharrx_add_Scharry) cv2.waitKey() cv2.destroyAllWindows()
Laplacian 算子
- Laplacian（拉普拉斯）算子是一種二階導數算子，其具有旋轉不變性，可以滿足不同方向的圖像邊緣銳化（邊緣檢測）的要求。通常情況下，其算子的系數之和需要為零。
- 一個 3×3 大小的 Laplacian 算子為 [ 0 1 0 1 − 4 1 0 1 0 ] \left[ \begin{matrix} 0 & 1 & 0\\ 1 & -4 & 1 \\ 0 & 1 & 0 \end{matrix} \right] ⎣⎡0101−41010⎦⎤
- Laplacian 算子的計算方式與Sobel 算子、Scharr 算子的一樣，只是算子不一樣。
import cv2 import numpy as np img1=cv2.imread("1.jpg",0) img1_resize=cv2.resize(img1,(400,400)) ''' dst = cv2.Laplacian( src, ddepth[, ksize[, scale[, delta[, borderType]]]] ) 參數說明： dst 代表目標圖像。 src 代表原始圖像。 ddepth 代表目標圖像的深度。 ksize 代表用於計算二階導數的核尺寸大小。該值必須是正的奇數。 scale 代表計算 Laplacian 值的縮放比例因子，該參數是可選的。默認情況下，該值為 1， 表示不進行縮放。 delta 代表加到目標圖像上的可選值，默認為 0。 borderType 代表邊界樣式。 ''' # 計算兩個方向的梯度值 Laplacianxy = cv2.Laplacian(img1_resize,cv2.CV_64F) # 取計算結果絕對值 LaplacianAbs = cv2.convertScaleAbs(Laplacianxy) cv2.imshow("origin",img1_resize) cv2.imshow("Laplacianxy",Laplacianxy) cv2.imshow("LaplacianAbs",LaplacianAbs) cv2.waitKey() cv2.destroyAllWindows()
Canny 邊緣檢測
- Canny 邊緣檢測是一種使用多級邊緣檢測算法檢測邊緣的方法。
- Canny 邊緣檢測分為如下幾個步驟。
- 去噪。噪聲會影響邊緣檢測的准確性，因此首先要將噪聲過濾掉。（通常使用高斯濾波進行去噪，需要了解高斯濾波的，可查閱OpenCV-Python快速入門（六）：圖像平滑）
- 計算梯度的幅度與方向。
- 非極大值抑制，即適當地讓邊緣“變瘦”。
- 確定邊緣。使用雙阈值算法確定最終的邊緣信息。
- 由於本文撰寫的目的是快速入門，Canny 邊緣檢測步驟，在入門階段，了解並且會應用即可。
- 擴展知識： n o r m = { ∣ d l d x ∣ + ∣ d l d y ∣ ， L 2 g r a d i e n t = F a l s e ( d l d x ) 2 + ( d l d y ) 2 ， L 2 g r a d i e n t = T r u e norm= \begin{cases} |\frac{dl}{dx}|+|\frac{dl}{dy}|，\quad L2gradient = False\\ \sqrt{(\frac{dl}{dx})^2 + (\frac{dl}{dy})^2}，\quad L2gradient = True \end{cases} norm={ ∣dxdl∣+∣dydl∣，L2gradient=False(dxdl)2+(dydl)2，L2gradient=True其中，L2gradient = False時，表達式是L1范數，L2gradient = True時，表達式是L2范數。
import cv2 import numpy as np img1=cv2.imread("1.jpg",0) img1_resize=cv2.resize(img1,(400,400)) ''' edges = cv.Canny( image, threshold1, threshold2[, apertureSize[, L2gradient]]) 參數說明： edges 為計算得到的邊緣圖像。 image 為 8 位輸入圖像。 threshold1 表示處理過程中的第一個阈值。 threshold2 表示處理過程中的第二個阈值。 apertureSize 表示 Sobel 算子的孔徑大小。 L2gradient 為計算圖像梯度幅度（gradient magnitude）的標識。 其默認值為 False。如果為 True，則使用更精確的 L2 范數進行計算 （即兩個方向的導數的平方和再開方），否則使用 L1 范數 （直接將兩個方向導數的絕對值相加）。 ''' edges1 = cv2.Canny(img1_resize,128,200) edges2 = cv2.Canny(img1_resize,32,128) cv2.imshow("origin",img1_resize) cv2.imshow("edges1",edges1) cv2.imshow("edges2",edges2) cv2.waitKey() cv2.destroyAllWindows()
從輸出結果上看，當函數 cv2.Canny()的參數 threshold1 和 threshold2 的值較小時，能夠捕獲更多的邊緣信息。
參考文獻
[1] https://opencv.org/
[2] 李立宗. OpenCV輕松入門：面向Python. 北京： 電子工業出版社，2019
- 更多精彩內容，可點擊進入
OpenCV-Python快速入門專欄或我的個人主頁查看
