图像处理中的梯度计算、边缘检测与凸包特征分析技术详解

前言

书接上文

OpenCV图像处理实战全解析：镜像、缩放、矫正、水印与降噪技术详解-CSDN博客文章浏览阅读1.1k次，点赞38次，收藏29次。本文系统解析OpenCV图像处理五大实战场景：镜像反转的三种坐标变换模式，图像缩放的尺寸控制与插值方法，透视变换的四点定位原理与三维投影消除，基于二值化模板的水印叠加技术，以及均值/高斯/中值滤波器的噪声消除机制。通过11个完整代码示例，详解关键参数设置与算法选择策略，涵盖flip、resize、warpPerspective、bitwise_and、GaussianBlur等核心函数应用，提供从基础操作到复杂形变矫正的全栈解决方案，为计算机视觉开发提供完备的技术参考。https://blog.csdn.net/qq_58364361/article/details/146971848?spm=1011.2415.3001.10575&sharefrom=mp_manage_link

一、图像梯度处理

import cv2
import numpy as np

if __name__ == '__main__':
    path = "QiPan.jpg"  # 图片文件路径
    img = cv2.imread(path)  # 读取图片，返回BGR格式的numpy数组

    #构建卷积核
    kernel = np.array(
            [
                    [-1, 0, 1],  # Sobel算子X方向卷积核
                    [-2, 0, 2],  # 用于边缘检测
                    [-1, 0, 1]
                    ],
            dtype=np.float32  # 指定数据类型为32位浮点数
            )
    #边缘计算
    dts_img = cv2.filter2D(img, -1, kernel)  # 使用卷积核进行图像滤波
    """
    cv2.filter2D参数说明:
    src: 输入图像
    ddepth: 输出图像深度(-1表示与输入相同)
    kernel: 卷积核
    """

    #显示图片
    cv2.imshow("dts_img", dts_img)  # 在窗口中显示处理后的图像
    cv2.waitKey(0)  # 等待任意按键按下

import cv2
import numpy as np

if __name__ == '__main__':
    path = "QiPan.jpg"  # 图片文件路径
    img = cv2.imread(path)  # 读取图片，返回BGR格式的numpy数组

    # 灰度图转换
    # 将BGR格式图像转换为灰度图
    img_h = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  # 转换为灰度图

    # Sobel算子边缘检测
    """
    使用Sobel算子计算图像梯度
    参数:
        img_h: 输入灰度图像
        cv2.CV_16S: 输出图像深度(16位有符号整型)
        1: x方向上的差分阶数
        1: y方向上的差分阶数
        ksize=3: Sobel核大小
    返回:
        包含梯度值的图像(可能有负值)
    """
    img_sobel = cv2.Sobel(
            img_h,
            cv2.CV_16S,
            1,  # x方向上的差分阶数
            1,  # y方向上的差分阶数
            ksize=3  # Sobel算子大小
            )

    # 梯度绝对值处理
    img_j = np.abs(img_sobel)  # 取梯度绝对值，消除负值

    # 归一化处理
    max = np.max(img_j)  # 获取图像最大梯度值
    img_g = (img_j / max) * 255  # 归一化到0-255范围

    # 类型转换
    img_end = img_g.astype(np.uint8)  # 转换为8位无符号整型

    # 显示结果
    cv2.imshow("img_end", img_end)  # 显示处理后的图像
    cv2.waitKey(0)  # 等待用户按键

1.4 Laplacian（拉普拉斯）算子

import cv2

if __name__ == '__main__':
    # 图片文件路径
    path = "QiPan.jpg"
    # 读取图片，返回BGR格式的numpy数组
    # @param path 图片路径
    # @return numpy.ndarray BGR格式的图像数组
    img = cv2.imread(path)

    # 拉普拉斯边缘检测
    # @param img 输入图像
    # @param ddepth 输出图像深度(-1表示与输入相同)
    # @return numpy.ndarray 边缘检测结果
    img_l = cv2.Laplacian(
            img,
            -1
            )
    # 显示处理后的图像
    # @param winname 窗口名称
    # @param mat 要显示的图像
    cv2.imshow("Laplacian", img_l)
    # 等待键盘输入
    # @param delay 延迟时间(毫秒)，0表示无限等待
    cv2.waitKey(0)

import cv2
import numpy as np

if __name__ == '__main__':
    # 1. 图片输入
    path = 'QiPan.jpg'
    image_np = cv2.imread(path)

    # 2. 灰度化
    image_np_gray = cv2.cvtColor(image_np, cv2.COLOR_BGR2GRAY)

    # 3. 二值化
    ret, image_np_thresh = cv2.threshold(image_np_gray, 40, 255, cv2.THRESH_BINARY)

    # 4.高斯滤波（可能多次效果更好）
    no_noise_image = cv2.GaussianBlur(image_np_thresh, (7, 7), 0)

    # Canny算法： 5.计算梯度与方向 + 6. 非极大值抑制 + 7. 双阈值筛选
    edges_image = cv2.Canny(
            image_np_thresh,  # 源图像
            30,  # 低阈值
            70  # 高阈值
            )

    # 8. 图片输出
    cv2.imshow('edges_image', edges_image)
    cv2.waitKey(0)

三、凸包特征检测

import cv2
import numpy as np

if __name__ == '__main__':
    # 1. 图片输入
    path = 'test.png'
    image_np = cv2.imread(path)

    # 2. 灰度化
    image_np_gray = cv2.cvtColor(image_np, cv2.COLOR_BGR2GRAY)

    # 3. 二值化
    ret, image_np_thresh = cv2.threshold(image_np_gray, 127, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
    # cv2.imshow('image_np_thresh', image_np_thresh)

    # 4. 寻找轮廓
    # 返回值1：所有轮廓的点坐标，是一个list列表
    # 返回值2：轮廓的层级关系
    contours, hierarchy = cv2.findContours(
        image_np_thresh,  # 二值化之后的图像
        cv2.RETR_EXTERNAL,  # 默认的轮廓查找方式
        cv2.CHAIN_APPROX_SIMPLE  # 默认的轮廓近似办法
    )
    print(len(contours))
    # print(contours)
    # print(hierarchy)
    # 拿到第一个轮廓的数据
    cnt = contours[0]
    print(cnt.shape)  # (296, 1, 2)表示由296个点组成，1占位，2表示xy坐标2维

    # 5. 查找凸包
    # 参数：当前轮廓的点数据（此处送入的是第一个轮廓）
    # 返回值：轮廓的凸包点
    hull = cv2.convexHull(cnt)
    print(hull.shape)  # (12, 1, 2)
    print(hull)

    # 6. 绘制轮廓
    image_np = cv2.polylines(
        image_np,  # 在哪个图像上画轮廓
        [hull],  # 凸包轮廓点的列表
        isClosed=True,  # TODO 是否闭合
        color=(0, 0, 255),  # 线段颜色
        thickness=2  # 线段粗度
    )

    # 7. 图片输出
    cv2.imshow('image_np',image_np)
    cv2.waitKey(0)

总结 

        本文系统介绍了图像处理中的梯度计算、边缘检测和凸包特征检测三大核心技术。首先，通过微分和差分理论解释了图像梯度的概念，并对比了Sobel算子和Laplacian算子在边缘检测中的优缺点。其次，详细解析了Canny算法的四步流程（高斯滤波、梯度计算、非极大值抑制、双阈值筛选），强调了其在边缘检测中的高效性。最后，深入探讨了凸包检测的三种经典算法（基础凸包检测、Graham扫描法、QuickHull法和Andrew扫描链法），结合OpenCV代码演示了实际应用。全文通过理论推导与代码实践相结合，为图像处理中的特征提取提供了全面的技术指导。