CV总结之边缘检测

边缘检测

常见算子

边缘检测是图像处理和计算机视觉中的一个基本任务，目的是识别图像中物体的边界。边缘是图像中亮度变化显著的区域，通常标志着物体、表面或形状的边界。边缘检测对于后续的图像分析任务，如特征提取、目标识别和图像分割等，都是非常重要的。

常见边缘检测算法：

1. Roberts算子：基于对角线方向的差分，使用两个2x2的卷积核来检测边缘。
2. Prewitt算子：使用3x3的卷积核，对图像进行水平和垂直方向的差分，以检测边缘。
3. Sobel算子：也是基于3x3的卷积核，但设计得更加精细，可以同时检测水平和垂直方向的边缘。
4. Kirsch算子：使用8个不同方向的3x3卷积核来检测边缘，可以检测8个方向上的边缘。
5. Robinson算子：类似于Kirsch算子，使用8个3x3的卷积核，但核的值有所不同。
6. Canny算子：被认为是最优秀的边缘检测算子之一，它通过高斯滤波、梯度计算、非极大值抑制和双阈值检测等步骤来检测边缘。
7. Laplacian算子：基于二阶导数，用于检测图像中的边缘，但对噪声较为敏感。
8. Zero-Crossing算子：基于拉普拉斯算子，通过检测拉普拉斯算子的零交叉点来确定边缘位置。
9. Shen-Castan滤波器：结合了Canny算子和Laplacian算子的特点，通过非线性映射和阈值处理来检测边缘。
10. 结构化森林：一种较新的边缘检测方法，使用深度学习技术来检测边缘。

边缘检测算法的选择：

• 简单性：对于需要快速响应的应用，可能会选择Roberts、Prewitt或Sobel算子。
• 准确性：对于需要高精度边缘检测的应用，Canny算子通常是首选。
• 抗噪声能力：Canny算子和结构化森林等算法具有较强的抗噪声能力。
• 计算资源：对于计算资源有限的情况，可能会选择计算量较小的算法。

每种算法都有其特定的应用场景和优缺点，选择合适的算法需要根据具体的应用需求和条件来决定。

Canny算子

Canny算子是一种经典的边缘检测算法，由John F. Canny在1986年提出。它的目标是在保留图像原有属性的同时，显著减少图像的数据规模，找到最优的边缘检测解。Canny算子以其准确性高、低错误率、单一性和高效性而闻名，被广泛应用于各种计算机视觉系统中。以下是Canny算子的主要步骤和特点：

1. 高斯滤波去噪：Canny算法的第一步是使用高斯滤波器平滑图像，以去除噪声。噪声和边缘都属于高频信号，高斯模糊可以减少噪声对边缘检测的影响。高斯核的大小会影响边缘检测的性能，核越大，对噪声的抑制越强，但边缘的定位误差也可能增加。
2. 计算梯度强度和方向：Canny算法使用Sobel算子来计算图像的梯度幅度和方向。梯度的方向通常与边缘垂直，梯度的方向被归为四类：垂直、水平和两个对角线（即，0度、45度、90度和135度四个方向）。
3. 非极大值抑制：在计算出梯度幅度和方向后，Canny算子通过非极大值抑制技术来过滤掉非边缘像素，使得边缘更加清晰。这个过程保留了每个像素点上梯度强度的极大值，过滤掉其他的值。
4. 双阈值检测：经过非极大值抑制后，图像中仍然有很多噪声点。Canny算法使用双阈值技术，设定一个阈值上界和阈值下界，大于上界的认为是强边缘，小于下界的不是边缘，两者之间的是候选项（弱边缘），需进行进一步处理。
5. 滞后技术跟踪边缘：最后，Canny算子使用滞后技术来跟踪边缘。如果某一像素位置和强边界相连的弱边界则认为是边缘，其他的弱边界则被删除。

Canny算子的优势在于其能够准确地找到图像中真实的边缘位置，并能够将边缘与噪声区分开，同时保持边缘的连续性和精确性。它适用于实时边缘检测，并且在MATLAB、OpenCV等常用图像处理工具中已有内置的Canny算子API。

使用OpenCV进行Canny边缘检测的Python代码如下：

首先，确保你已经安装了OpenCV库。如果没有安装，可以通过pip安装：

 

 

 

xxxxxxxxxx

 

 

 

 

pip install opencv-python

 

 

然后，你可以使用以下代码进行边缘检测：

 

 

 

xxxxxxxxxx

 

 

 

 

import cv2

import numpy as np

from matplotlib import pyplot as plt

# 读取图像（注意路径替换，并使用`cv2.IMREAD_GRAYSCALE`参数以灰度模式读取图像）

image = cv2.imread('path_to_your_image.jpg', cv2.IMREAD_GRAYSCALE)

# 检查图像是否成功加载

if image is None:

    print("Error: Image not found")

else:

    # 应用高斯模糊，减少图像噪声，有助于Canny算子更准确地检测边缘。

    blurred_image = cv2.GaussianBlur(image, (5, 5), 0)

    # 使用Canny算子检测边缘

    # 参数分别为：高阈值和低阈值（阈值决定了哪些边缘被认为是真实的边缘）

    edges = cv2.Canny(blurred_image, 50, 150)

    # 显示原图和边缘检测结果

    plt.figure(figsize=(10, 5))

    plt.subplot(121), plt.imshow(image, cmap='gray')

    plt.title('Original Image'), plt.xticks([]), plt.yticks([])

    plt.subplot(122), plt.imshow(edges, cmap='gray')

    plt.title('Edge Image'), plt.xticks([]), plt.yticks([])

    # 显示图像

    plt.show()

 

 

Kirsch算子

Kirsch算子是一种边缘检测算法，由R. Kirsch提出。它通过使用8个特定的3x3模板对图像进行卷积操作来检测边缘，这些模板代表了8个不同的方向，能够对图像上的8个特定边缘方向作出最大响应。在运算中，取这8个方向的最大值作为图像的边缘输出。

Kirsch算子的特点：

1. 多方向响应：Kirsch算子的8个模板可以检测图像中的多个方向的边缘，这使得它在保持细节和抗噪声方面都有较好的效果。
2. 边缘强度与方向：在计算边缘强度的同时可以得到边缘的方向，各方向间的夹角为45º。
3. 最大响应值：对于图像上的每一个像素点，Kirsch算子通过卷积求导数，并取8个方向中的最大值作为该点的边缘输出。

Kirsch算子的模板：

Kirsch算子的8个模板如下所示，每个模板对应一个特定的方向，用于检测该方向上的边缘强度：

这些模板通过与图像进行卷积操作来计算每个像素点的梯度幅度，然后选择最大梯度幅度的方向作为该点的边缘方向。Kirsch算子在图像处理领域，尤其是在边缘检测方面，因其有效性和鲁棒性而被广泛应用。

根据搜索结果，以下是使用Python和OpenCV实现Kirsch算子进行边缘检测的代码示例：

 

 

 

xxxxxxxxxx

 

 

import cv2

import numpy as np

from matplotlib import pyplot as plt

# 读取图像

image = cv2.imread('path_to_your_image.jpg', cv2.IMREAD_GRAYSCALE)

# 检查图像是否成功加载

if image is None:

    print("Error: Image not found")

else:

    # 自定义Kirsch算子的8个卷积核

    m1 = np.array([[5, 5, 5], [-3, 0, -3], [-3, -3, -3]])

    m2 = np.array([[-3, 5, 5], [-3, 0, 5], [-3, -3, -3]])

    m3 = np.array([[-3, -3, 5], [-3, 0, 5], [-3, -3, 5]])

    m4 = np.array([[-3, -3, -3], [-3, 0, 5], [-3, 5, 5]])

    m5 = np.array([[-3, -3, -3], [-3, 0, -3], [5, 5, 5]])

    m6 = np.array([[-3, -3, -3], [5, 0, -3], [5, 5, -3]])

    m7 = np.array([[5, -3, -3], [5, 0, -3], [5, -3, -3]])

    m8 = np.array([[5, 5, -3], [5, 0, -3], [-3, -3, -3]])

    filterlist = [m1, m2, m3, m4, m5, m6, m7, m8]  # 将各个方向的卷积核放到一起便于统一操作

    # 建立三维数组，第0维表示各个方向卷积后的值

    filtered_list = np.zeros((8, image.shape[0], image.shape[1]))

    # 对图像进行卷积操作

    for k in range(8):

        out = cv2.filter2D(image, cv2.CV_16S, filterlist[k])

        filtered_list[k] = out

    # 取八个方向中的最大值作为图像该点滤波之后的新的像素值

    final = np.max(filtered_list, axis=0)

    # 将像素值大于255的点等于255，小于255的点等于0

    final[np.where(final >= 255)] = 255

    final[np.where(final < 255)] = 0

    # 显示原图和边缘检测结果

    plt.figure(figsize=(10, 5))

    plt.subplot(121), plt.imshow(image, cmap='gray')

    plt.title('Original Image'), plt.xticks([]), plt.yticks([])

    plt.subplot(122), plt.imshow(final, cmap='gray')

 

 

    plt.title('Edge Image'), plt.xticks([]), plt.yticks([])

    # 显示图像

    plt.show()

 

 

Kirsch算子和Canny算子区别

Kirsch算子和Canny算子都是图像处理中用于边缘检测的算法，但它们在实现和特点上存在一些区别：

1. 原理和方法：

   • Kirsch算子：基于一阶导数的方法，使用8个方向的卷积核来检测边缘，每个卷积核对应一个方向，能够检测8个方向的边缘强度。
   • Canny算子：非微分边缘检测算子，它是一个多阶段的优化算子，包括高斯滤波、梯度计算、非极大值抑制和双阈值检测等步骤。

2. 对噪声的敏感性：

   • Kirsch算子：由于考虑了多个方向的像素突变，对噪声的抑制能力不如Canny算子，锐化效果可能不是很理想。
   • Canny算子：首先使用高斯滤波器平滑图像以去除噪声，因此对噪声不敏感，不容易受到噪声干扰。

3. 边缘定位：

   • Kirsch算子：边缘定位不如Canny算子精确，因为它是基于一阶导数的，而Canny算子结合了梯度的方向和幅度。
   • Canny算子：边缘定位较准确，常用于噪声较多，灰度渐变的图像。

4. 计算复杂度：

   • Kirsch算子：由于使用了8个卷积核，计算复杂度相对较高。
   • Canny算子：虽然实现较为复杂，但通常被认为是最有效的边缘检测方法之一，尤其是在实际项目如车道线检测中。

5. 应用场景：

   • Kirsch算子：适用于简单场景下的边缘检测，尤其是当需要快速响应时。
   • Canny算子：被广泛用于诸如车道线检测等实际项目中，是最有效的边缘检测方法之一。

总的来说，Canny算子在边缘检测的准确性、鲁棒性以及对噪声的抑制方面表现更好，而Kirsch算子则在计算速度上可能有一定优势，尤其是在对实时性要求较高的应用中。

结构化森林

结构化森林（Structured Forests）是一种基于深度学习的边缘检测方法，它在图像处理领域中被用来快速且有效地识别图像中的边缘。以下是结构化森林的一些关键特点和应用场景：

1. 快速边缘检测：结构化森林能够快速预测局部掩模的边缘，这对于实时或近实时的边缘检测应用非常有用。
2. 深度学习的应用：结构化森林结合了深度学习技术，通过训练一个结构化的随机森林模型来识别图像中的边缘。这种方法可以处理复杂的图像特征，并在多种场景下表现出良好的性能。
3. 提高检测准确性：结构化森林在实验中显示出，它不仅提高了检测的准确性，而且减少了计算时间。这对于需要高效边缘检测的应用场景非常重要。
4. 复杂背景下的应用：在复杂相似背景下，结构化森林能够有效地区分相似和随机的裂缝特征，这对于结构健康监测等领域尤为重要。
5. 与其他算法的结合：结构化森林可以与其他图像处理技术结合使用，例如与Hough变换结合用于海天线检测。这种方法可以较好地忽略局部干扰边缘，强化边界提取，对复杂海天背景下的海天线检测具备鲁棒性和高准确性。
6. OpenCV中的实现：在OpenCV库中，结构化森林被实现为一个快速的边缘检测工具。它可以通过提供预训练的模型文件来使用，这个模型文件可以在GitHub的opencv_extra仓库中找到。
7. 代码实现：在实际应用中，结构化森林的边缘检测可以通过几行代码实现。首先，需要将输入图像转换为浮点类型，并除以255进行归一化。然后，使用createStructuredEdgeDetection函数创建一个边缘检测对象，并调用detectEdges方法来检测边缘。最后，可以通过非极大值抑制（NMS）进一步处理边缘图，以得到更清晰的边缘。

结构化森林因其快速、准确和在复杂背景下的有效性，成为了边缘检测领域中一个有前景的方法。

在OpenCV中，结构化森林（Structured Forests）边缘检测可以通过以下步骤进行调用和实现。这里提供一个简单的Python代码示例，展示如何使用OpenCV中的结构化森林进行边缘检测：

 

 

 

x

 

 

 

 

import cv2

import numpy as np

# 读取图像 （注意路径替换，并使用`cv2.IMREAD_GRAYSCALE`参数以灰度模式读取图像）

image = cv2.imread('path_to_your_image.jpg', cv2.IMREAD_GRAYSCALE)

# 检查图像是否成功加载

if image is None:

    print("Error: Image not found")

else:

    # 创建结构化森林边缘检测器

    structured_forest = cv2.createStructuredEdgeDetection()

    # 检测边缘

    edges = structured_forest.detectEdges(image)

    # 应用非极大值抑制（NMS）来细化边缘

    # flags=cv2.Canny_NORM_L2_GRADIENT来应用非极大值抑制，这有助于细化边缘。

    edges_nms = structured_forest.detectEdges(image,                                                           flags=cv2.Canny_NORM_L2_GRADIENT)

    # 显示原始图像和边缘检测结果

    cv2.imshow('Original Image', image)

    cv2.imshow('Edges', edges)

    cv2.imshow('Edges NMS', edges_nms)

    # 等待按键后关闭窗口

    cv2.waitKey(0)

    cv2.destroyAllWindows()