Python+OpenCV實(shí)現(xiàn)邊緣檢測(cè)與角點(diǎn)檢測(cè)詳解
一、邊緣檢測(cè)
Sobel與Canny邊緣檢測(cè)代碼如下所示
import cv2 as cv import matplotlib.pyplot as plt
1.1、讀取圖像
讀取圖像的代碼如下所示
# 讀取圖像
img = cv.imread('Lena.jpg')
lenna_img = cv.cvtColor(img, cv.COLOR_BGR2RGB)
1.2、圖像轉(zhuǎn)換成灰度圖像
圖像轉(zhuǎn)換成灰度圖像的代碼如下所示
# 圖像轉(zhuǎn)換成灰度圖像 grayImage = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
1.3、Sobel算子
Sobel算子的代碼如下所示
'''
Sobel算子
'''
x = cv.Sobel(grayImage, cv.CV_16S, 1, 0) # 對(duì)x求一階導(dǎo)數(shù)
y = cv.Sobel(grayImage, cv.CV_16S, 0, 1) # 對(duì)y求一階導(dǎo)數(shù)
absX = cv.convertScaleAbs(x)
absY = cv.convertScaleAbs(y)
Sobel = cv.addWeighted(absX, 0.5, absY, 0.5, 0)
1.4、Canny算子
Canny算子的代碼如下所示
'''
Canny算子
'''
# 高斯濾波降噪
gaussian = cv.GaussianBlur(grayImage, (3, 3), 0)
# Canny算子
Canny = cv.Canny(gaussian, 50, 100)
1.5、顯示正常中文的標(biāo)簽
顯示正常中文的標(biāo)簽的代碼如下所示
# 顯示正常中文的標(biāo)簽
plt.rcParams['font.sans-serif'] = ['SimHei']
titles = [u'(a)原始圖像', u'(b)Sobel圖像', u'(c)Canny圖像']
images = [lenna_img, Sobel, Canny]
for i in range(3):
plt.subplot(1, 3, i + 1), plt.imshow(images[i], 'gray')
plt.title(titles[i])
plt.xticks([]), plt.yticks([])
plt.show()
1.6、邊緣檢測(cè)結(jié)果
邊緣檢測(cè)運(yùn)行結(jié)果結(jié)果如下所示
Sobel與Canny邊緣檢測(cè)的優(yōu)缺點(diǎn)
sobel：
1、sobel優(yōu)點(diǎn)：輸出圖像(數(shù)組)的元素通常具有更大的絕對(duì)數(shù)值。
2、sobel缺點(diǎn)：由于邊緣是位置的標(biāo)志，對(duì)灰度的變化不敏感。
canny：
1、canny優(yōu)點(diǎn)：法能夠盡可能多地標(biāo)識(shí)出圖像中的實(shí)際邊緣；標(biāo)識(shí)出的邊緣要與實(shí)際圖像中的實(shí)際邊緣盡可能接近。
2、canny缺點(diǎn)：圖像中的邊緣只能標(biāo)識(shí)一次，并且可能存在的圖像噪聲不應(yīng)標(biāo)識(shí)為邊緣。
二、角點(diǎn)檢測(cè)
Susan與Harris角點(diǎn)檢測(cè)代碼如下所示
import cv2 as cv import numpy as np import matplotlib.pyplot as plt
2.1、讀取圖像
讀取圖像的代碼如下所示
# 讀取圖像
img = cv.imread('Lena.jpg')
lenna_img = cv.cvtColor(img, cv.COLOR_BGR2RGB)
2.2、圖像轉(zhuǎn)換成灰度圖像
圖像轉(zhuǎn)換成灰度圖像的代碼如下所示
# 圖像轉(zhuǎn)換成灰度圖像 grayImage = cv.cvtColor(img, cv.COLOR_BGR2GRAY) grayImage = np.float32(grayImage)
2.3、Harris算子
Harris算子的代碼如下所示
'''
Harris算子
'''
harrisImage = cv.cornerHarris(grayImage, 2, 3, 0.04)
harrisImage = cv.dilate(harrisImage, None)
2.4、設(shè)置閾值
設(shè)置閾值的代碼如下所示
# 設(shè)置閾值 thresImage = 0.006 * harrisImage.max() img[harrisImage > thresImage] = [255, 0, 0]
2.5、Susan算子
Susan算子的代碼如下所示
'''
Susan算子
'''
def img_extraction(image):
"""
img_extraction 函數(shù)利用susan角點(diǎn)檢測(cè)算法，對(duì)圖像進(jìn)行處理
"""
print("最小灰度值，%d" % image.min())
print("最大灰度值，%d" % image.max())
threshold_value = (int(image.max())-int(image.min())) / 10
print("初始閾值為： %d" % threshold_value)
offsetX = [
-1, 0, 1,
-2, -1, 0, 1, 2,
-3, -2, -1, 0, 1, 2, 3,
-3, -2, -1, 0, 1, 2, 3,
-3, -2, -1, 0, 1, 2, 3,
-2, -1, 0, 1, 2,
-1, 0, 1
]
offsetY = [
-3, -3, -3,
-2, -2, -2, -2, -2,
-1, -1, -1, -1, -1, -1, -1,
0, 0, 0, 0, 0, 0, 0,
1, 1, 1, 1, 1, 1, 1,
2, 2, 2, 2, 2,
3, 3, 3
]
for i in range(3, image.shape[0] - 3): # 利用圓形模板遍歷圖像，計(jì)算每點(diǎn)處的USAN值
for j in range(3, image.shape[1] - 3):
same = 0
for k in range(0, 37):
if abs(int(image[i + int(offsetY[k]), j + int(offsetX[k]), 0]) - int(image[i, j, 0])) < threshold_value: # 計(jì)算相似度
same += 1
if same < 18:
image[i, j, 0] = 18 - same
image[i, j, 1] = 18 - same
image[i, j, 2] = 18 - same
else:
image[i, j, 0] = 0
image[i, j, 1] = 0
image[i, j, 2] = 0
return image
def img_revise(image):
"""
img_revise 函數(shù)用于對(duì)角點(diǎn)處理后的圖像，進(jìn)行非極大值抑制修正
"""
X = [-1, -1, -1, 0, 0, 1, 1, 1] # X軸偏移
Y = [-1, 0, 1, -1, 1, -1, 0, 1] # Y軸偏移
for i in range(4, image.shape[0]-4):
for j in range(4, image.shape[1]-4):
flag = 0
for k in range(0, 8):
print(i)
if image[i, j, 0] <= image[int(i + X[k]), int(j + Y[k]), 0]:
flag += 1
break
if flag == 0: # 判斷是否是周?chē)?個(gè)點(diǎn)中最大的值，是則保留
image[i, j, 0] = 255
image[i, j, 1] = 255
image[i, j, 2] = 255
else:
image[i, j, 0] = 0
image[i, j, 1] = 0
image[i, j, 2] = 0
return image
originImage = cv.imread('Lena.jpg')
originImage = cv.cvtColor(originImage, cv.COLOR_BGR2RGB)
2.6、圖像轉(zhuǎn)換成灰度圖像
圖像轉(zhuǎn)換成灰度圖像的代碼如下所示
# 圖像轉(zhuǎn)換成灰度圖像 grayImage = np.float32(originImage)
2.7、調(diào)用susan角點(diǎn)檢測(cè)算法
調(diào)用susan角點(diǎn)檢測(cè)算法的代碼如下所示
# 調(diào)用susan角點(diǎn)檢測(cè)算法 extraImage = img_extraction(originImage)
2.8、調(diào)用img_revise()非極大值抑制修正
調(diào)用img_revise()非極大值抑制修正的代碼如下所示
# 調(diào)用img_revise()非極大值抑制修正 susanImages = img_revise(extraImage)
2.9、顯示正常中文的標(biāo)簽
顯示正常中文的標(biāo)簽的代碼如下所示
# 顯示正常中文的標(biāo)簽
plt.rcParams['font.sans-serif'] = ['SimHei']
titles = [u'(a)原始圖像', u'(b)Harris圖像', u'(c)Susan圖像']
images = [lenna_img, img, susanImages]
for i in range(3):
plt.subplot(1, 3, i + 1), plt.imshow(images[i], 'gray')
plt.title(titles[i])
plt.xticks([]), plt.yticks([])
plt.show()
2.10、角點(diǎn)檢測(cè)結(jié)果
角點(diǎn)檢測(cè)運(yùn)行結(jié)果結(jié)果如下所示
Susan與Harris角點(diǎn)檢測(cè)算子的優(yōu)缺點(diǎn)
Harris：
Harris優(yōu)點(diǎn)：
1 旋轉(zhuǎn)不變性，橢圓轉(zhuǎn)過(guò)一定角度但是其形狀保持不變（特征值保持不變）
2 對(duì)于圖像灰度的仿射變化具有部分的不變性，由于僅僅使用了圖像的一介導(dǎo)數(shù)，對(duì)于圖像灰度平移變化不變；對(duì)于圖像灰度尺度變化不變
Harris缺點(diǎn)：
1 對(duì)尺度很敏感，不具備幾何尺度不變性。
2 提取的角點(diǎn)是像素級(jí)的
Susan：
Susan優(yōu)點(diǎn)：大多數(shù)的邊緣檢測(cè)算子會(huì)隨所用模板尺寸的變化而改變其所檢測(cè)出的邊緣的位置，但SUSAN檢測(cè)算子能提供不依賴(lài)于模板尺寸的邊緣精度。
以上就是Python+OpenCV實(shí)現(xiàn)邊緣檢測(cè)與角點(diǎn)檢測(cè)詳解的詳細(xì)內(nèi)容，更多關(guān)于Python OpenCV邊緣 角點(diǎn)檢測(cè)的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！
相關(guān)文章
這篇文章主要為大家詳細(xì)介紹了Python實(shí)現(xiàn)雙向鏈表，文中示例代碼介紹的非常詳細(xì)，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2022-05-05
相信有很多小伙伴還不會(huì)安裝Python解釋器,今天特地整理了本篇文章,文章有非常詳細(xì)的圖文示例,對(duì)不會(huì)安裝的小伙伴很有幫助,需要的朋友可以參考下2021-06-06
Python使用Socket(Https)Post登錄百度的實(shí)現(xiàn)代碼
以前都是用一些高級(jí)模塊，封裝的比較好，今天嘗試使用socket模塊登錄百度，弄了半天才弄好，主要由于百度在登陸頁(yè)使用了https，我們需要對(duì)socket進(jìn)行一定處理2012-05-05
Python 中的 dataclass使用場(chǎng)景與代碼示例詳解
在Python中,dataclass是一個(gè)裝飾器,用于簡(jiǎn)化類(lèi)的定義,自動(dòng)生成初始化、比較等方法,適用于需要存儲(chǔ)數(shù)據(jù)的場(chǎng)景,通過(guò)示例展示了dataclass的基本用法,感興趣的朋友跟隨小編一起看看吧2024-09-09
django實(shí)現(xiàn)HttpResponse返回json數(shù)據(jù)為中文
這篇文章主要介紹了django實(shí)現(xiàn)HttpResponse返回json數(shù)據(jù)為中文，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2020-03-03
這篇文章主要介紹了Python之site-packages目錄的位置,具有很好的參考價(jià)值,希望對(duì)大家有所幫助,如有錯(cuò)誤或未考慮完全的地方,望不吝賜教2023-11-11
用python畫(huà)個(gè)奧運(yùn)五環(huán)(附完整代碼)
大家好，本篇文章主要講的是用python畫(huà)個(gè)奧運(yùn)五環(huán)（附完整代碼），感興趣的同學(xué)趕快來(lái)看一看吧，對(duì)你有幫助的話記得收藏一下2022-01-01
python可視化分析的實(shí)現(xiàn)(matplotlib、seaborn、ggplot2)
這篇文章主要介紹了python可視化分析的實(shí)現(xiàn)(matplotlib、seaborn、ggplot2)，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2021-02-02
Python字典dict常用內(nèi)置函數(shù)詳解
這篇文章主要介紹了Python字典dict常用內(nèi)置函數(shù)詳解，dict是Python中的一種內(nèi)置數(shù)據(jù)類(lèi)型，它是一種鍵值對(duì)的集合，類(lèi)似于Java中的Map或其他語(yǔ)言中的字典，需要的朋友可以參考下2023-07-07
python 計(jì)算數(shù)據(jù)偏差和峰度的方法
今天小編就為大家分享一篇python 計(jì)算數(shù)據(jù)偏差和峰度的方法，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2019-06-06