Python----计算机视觉处理（Opencv：图像边缘检测：非极大值抑制，双阈值筛选)

一、 高斯滤波

        边缘检测本身属于锐化操作，对噪点比较敏感，所以需要进行平滑处理。这里使用的是一个5*5的高斯 核对图像进行消除噪声。

二、计算图像的梯度和方向

三、非极大值抑制

        在得到每个边缘的方向之后，其实把它们连起来边缘检测就算完了，经过第二步得到的边缘不经过处理是没办法使用的，因为高斯滤波的原因，边缘会变得模糊，导 致经过第二步后得到的边缘像素点非常多，因此我们需要对其进行一些过滤操作，而非极大值抑制就是 一个很好的方法，它会对得到的边缘像素进行一个排除，使边缘尽可能细一点。

        在该步骤中，我们需要检查每个像素点的梯度方向上的相邻像素，并保留梯度值最大的像素，将其他像 素抑制为零。假设当前像素点为（x，y），其梯度方向是0°，梯度值为G（x，y），那么我们就需要比 较G（x，y）与两个相邻像素的梯度值：G（x-1，y）和G（x+1，y）。如果G（x，y）是三个值里面最 大的，就保留该像素值，否则将其抑制为零。

        并且如果梯度方向不是0°、45°、90°、135°这种特定角度，那么就要用到插值算法来计算当前像素点在 其方向上进行插值的结果了，然后进行比较并判断是否保留该像素点。这里使用的是单线性插值，通过 A1和A2两个像素点获得dTmp1与dTmp2处的插值，然后与中心点C进行比较。具体的插值算法请参考图 像旋转实验。

四、 双阈值筛选

        经过非极大值抑制之后，我们还需要设置阈值来进行筛选，当阈值设的太低，就会出现假边缘，而阈值 设的太高，一些较弱的边缘就会被丢掉，因此使用了双阈值来进行筛选，推荐高低阈值的比例为2：1到 3：1之间

        当某一像素位置的幅值超过最高阈值时，该像素必是边缘像素；当幅值低于最低像素时，该像素必不是 边缘像素；幅值处于最高像素与最低像素之间时，如果它能连接到一个高于阈值的边缘时，则被认为是 边缘像素，否则就不会被认为是边缘。

        也就是说，上图中的A和C是边缘，B不是边缘。因为C虽然不超过 最高阈值，但其与A相连，所以C就是边缘。

        具体来说，对于非极大值抑制之后的图像来说，设置两个阈值threshold1和threshold2，其中 threshold1是低阈值，threshold2是高阈值。然后遍历图像，把梯度值小于低阈值的点的梯度值设为 0，得到图像1，把梯度值小于高阈值的点的梯度值设为0，得到图像2。由于图像2的阈值比较高，所以 其中会损失掉很多有用的图像信息，而图像1的阈值比较低，所以会保留很多的信息，包括真正的边缘和虚假的边缘。

        那么我们就可以以图像2为基础，以图像1为补充来连接图像的边缘，其具体步骤为：

•        对图像2进行遍历，当遇到一个非零的像素点P时，记录以P为开始的轮廓线，知道轮廓线的终点位 置Q。

•        考察图像1中与图像2中的Q点位置对应的点S的8邻近区域，如果在S点的8邻近区域内有非零像素存 在，就将其作为边界点放入图像2中作为点R。然后再从点R开始重复第一步，直到在图像1和图像2 中都无法继续为止。

•        当完成对包含点P的轮廓线的寻找之后，将这条轮廓线标为已寻找，然后接着寻找下一条轮廓，就 是重复第1步、第2步、第3步，直到图像2中找不到新的轮廓为止。

        经过筛选之后的所保存下来的点就是我们图像中的边缘点了

五、图像边缘检测 

5.1、有二值化

导入模块

import cv2

输入图像

img=cv2.imread('lenda01.png')

灰度化

img_gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

二值化

ret1,img_threshold1=cv2.threshold(img_gray,127,255,cv2.THRESH_BINARY)

高斯滤波

img_Guss1=cv2.GaussianBlur(img_threshold1,(5,5),sigmaX=1.5)

梯度与方向

非极大值抑制

双阈值筛选

img_Canny1=cv2.Canny(img_Guss1,122,127,L2gradient=True)

输出图像

cv2.imshow('img',img)
cv2.imshow('img_Canny1',img_Canny1)
cv2.waitKey(0)

完整代码 

import cv2  

img = cv2.imread('lenda01.png')  

# 将图像从BGR颜色空间转换为灰度图像  
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  

# 使用全局阈值进行二值化处理  
#   - ret1:  计算得到的阈值 (127)  
#   - img_threshold1:  二值化后的图像，像素值大于127设置为255，否则设置为0  
ret1, img_threshold1 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY)  

# 使用 Otsu's 阈值法进行二值化处理，并进行反转  
#   - ret2:  Otsu's算法计算得到的阈值  
#   - img_threshold2:  二值化后的图像，像素值小于阈值设置为255，否则设置为0  
ret2, img_threshold2 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_OTSU + cv2.THRESH_BINARY_INV)  

# 对二值化后的图像进行高斯模糊处理，以减少噪声  
#   - img_threshold1:  输入图像（二值化后的图像）  
#   - (5, 5):  高斯核的大小  
#   - sigmaX=1.5:  X方向上的高斯核标准差  
img_Guss1 = cv2.GaussianBlur(img_threshold1, (5, 5), sigmaX=1.5)  

# 使用 Canny 边缘检测算法提取图像的边缘  
#   - img_Guss1:  输入图像（高斯模糊后的二值化图像）  
#   - ret2:  低阈值，用于边缘检测的阈值下限 (这里使用Otsu算法计算得到的阈值)  
#   - ret1:  高阈值，用于边缘检测的阈值上限 (这里使用固定阈值127)  
#   - L2gradient=True:  使用 L2 范数计算图像梯度，更准确  
img_Canny1 = cv2.Canny(img_Guss1, ret2, ret1, L2gradient=True)  

# 显示原始图像  
cv2.imshow('img', img)  
# 显示 Canny 边缘检测后的图像  
cv2.imshow('img_Canny1', img_Canny1)  
# 等待用户按下键盘上的任意键  
cv2.waitKey(0)  

5.2、无二值化 

import cv2

img = cv2.imread('lenda01.png')

# 将图像从BGR颜色空间转换为灰度图像
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 使用全局阈值进行二值化处理
#   - ret1:  计算得到的阈值 (127)
#   - img_threshold1:  二值化后的图像，像素值大于127设置为255，否则设置为0
ret1, img_threshold1 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY)

# 使用 Otsu's 阈值法进行二值化处理，并进行反转
#   - ret2:  Otsu's算法计算得到的阈值
#   - img_threshold2:  二值化后的图像，像素值小于阈值设置为255，否则设置为0
ret2, img_threshold2 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_OTSU + cv2.THRESH_BINARY_INV)

# 对灰度图像进行高斯模糊处理，以减少噪声
#   - (5, 5):  高斯核的大小
#   - sigmaX=1.5:  X方向上的高斯核标准差
img_Guss2 = cv2.GaussianBlur(img_gray, (5, 5), sigmaX=1.5)

# 使用 Canny 边缘检测算法提取图像的边缘
#   - img_Guss2:  输入图像（高斯模糊后的灰度图像）
#   - ret2:  低阈值，用于边缘检测的阈值下限
#   - ret1:  高阈值，用于边缘检测的阈值上限
#   - L2gradient=True:  使用 L2 范数计算图像梯度，更准确
img_Canny2 = cv2.Canny(img_Guss2, ret2, ret1, L2gradient=True)

# 显示原始图像
cv2.imshow('img', img)
# 显示 Canny 边缘检测后的图像
cv2.imshow('img_Canny2', img_Canny2)
# 等待用户按下键盘上的任意键
cv2.waitKey(0)
```

六、库函数

Canny()

使用 Canny 算法查找图像中的边缘

该函数在输入图像中查找边缘，并使用 Canny 算法在输出映射边缘中标记它们。threshold1 和 threshold2 之间的最小值用于 Edge 链接。最大值用于查找强边缘的初始分段。查看 http://en.wikipedia.org/wiki/Canny_edge_detector

cv.Canny(	image, threshold1, threshold2[, edges[, apertureSize[, L2gradient]]]	) ->	edges
cv.Canny(	dx, dy, threshold1, threshold2[, edges[, L2gradient]]	) ->	edges

方法	描述
image	8 位输入图像。
edges	输出边缘映射;单通道 8 位图像，其大小与 图像 相同。
threshold1	磁滞过程的第一个阈值。
threshold2	滞后程序的第二个阈值。
apertureSize	孔径大小。
L2gradient
dx	输入图像的 16 位 x 导数（CV_16SC1 或 CV_16SC3）
dy	输入图像的 16 位 y 导数（与 dx 类型相同）。