OpenCV中的边缘检测

边缘检测是图像处理和计算机视觉中的关键技术之一，旨在识别图像中像素强度发生显著变化的区域，这些区域通常对应于物体的边界或轮廓。边缘检测在机器视觉中具有重要的需求背景，主要体现在以下几个方面：

图像分割：边缘检测可以帮助将图像分割成不同的区域，便于后续的图像分析和处理。
物体识别：通过检测物体的边缘，可以提取物体的特征，为物体识别提供基础。
图像增强：边缘检测可以增强图像中的重要特征，提高图像的清晰度和质量。
三维重建：在三维重建中，边缘检测可以帮助确定物体的形状和结构。

1.1.2. 应用场景

边缘检测在机器视觉中有着广泛的应用场景，包括但不限于以下几个方面：

工业检测：用于检测产品表面的缺陷，如裂纹、划痕、凹陷等。
自动驾驶：用于检测道路、交通标志、车辆和行人等物体的轮廓，辅助自动驾驶系统进行决策。
医学图像分析：用于识别医学图像中的器官、病变和组织边界，辅助医生进行诊断。
安防监控：用于检测视频中的异常行为或物体，提高监控系统的智能化水平。
机器人视觉：用于识别环境中的物体和障碍物，帮助机器人进行导航和避障。

1.2. OpenCV中的实现方法

OpenCV提供了多种边缘检测方法，常用的包括：

Canny 边缘检测
Sobel 算子
Laplacian 算子

1.2.1. Canny 边缘检测

原理及内部流程： Canny 边缘检测是一种多阶段的边缘检测算法，主要包括以下步骤：

噪声抑制：使用高斯滤波器对图像进行平滑处理，以减少噪声的影响。
计算梯度：使用Sobel算子计算图像的梯度幅值和方向。
非极大值抑制：沿着梯度方向，保留局部梯度最大的像素点，抑制其他像素点，有效的去除多余的边缘效应，精确图像的边缘。
双阈值检测：设置高阈值和低阈值，高于高阈值的像素被认为是强边缘，介于高阈值和低阈值之间的像素被认为是弱边缘。
边缘连接：通过强边缘像素和与之相邻的弱边缘像素进行连接，形成完整的边缘线。

参数确定及影响：

高斯滤波器的参数：通常根据图像的噪声水平选择合适的高斯滤波器参数，如标准差和核大小。
阈值：高阈值和低阈值的选择对边缘检测结果有重要影响。高阈值用于检测强边缘，低阈值用于检测弱边缘。阈值的选择需要根据图像的特点和应用场景进行调整。

1.2.2. Sobel 算子

原理及内部流程： Sobel 算子是一种基于一阶导数的边缘检测算子，通过计算图像在水平和垂直方向的梯度来检测边缘。Sobel 算子使用两个3×3的卷积核，分别计算水平和垂直方向的梯度，然后通过这两个梯度来估计边缘。

参数确定及影响：

卷积核大小：通常为3×3，但可以根据需要选择其他大小。
阈值：通过设置阈值来确定边缘像素，阈值的选择需要根据图像的特点和应用场景进行调整。

1.2.3. Laplacian 算子

原理及内部流程： Laplacian 算子是一种基于二阶导数的边缘检测算子，通过对图像进行二阶微分操作来检测边缘。Laplacian 算子可以提供边缘的强度和方向信息。

参数确定及影响：

卷积核大小：通常为3×3，但可以根据需要选择其他大小。
阈值：通过设置阈值来确定边缘像素，阈值的选择需要根据图像的特点和应用场景进行调整。、

1.2.4. 在openCV中如何使用

Sobel 算子与Laplacian 算子：这个在之前的高通滤波中已经说明过。

Canny 算子：

edges = cv2.Canny(image, threshold1, threshold2, apertureSize=3, L2gradient=False)

image

- 作用：输入图像，必须是单通道灰度图像。
- 确认方法：如果输入图像是彩色图像，需要先将其转换为灰度图像：Python复制

gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

threshold1

- 作用：低阈值，用于滞后阈值处理。
- 作用机制：用于检测弱边缘。如果梯度幅值低于此阈值，则认为该像素不是边缘。
- 确认方法：

- - 根据经验，可以设置为 50 左右。
  - 通过实验调整，观察边缘检测的效果。通常需要结合高阈值一起调整。
  - 调的较低会保留更多的弱边缘，对于边缘较弱的，可以适当降低低阈值

threshold2

- 作用：高阈值，用于滞后阈值处理。
- 作用机制：用于检测强边缘。如果梯度幅值高于此阈值，则认为该像素是强边缘。
- 确认方法：

- - 根据经验，可以设置为 150 左右。
  - 高阈值与低阈值的比值通常在 2:1 到 3:1 之间。例如，低阈值为 50，高阈值为 150 或 100。
  - 对于边缘较复杂的图像，可以适当增加高阈值。

apertureSize

- 作用：Sobel 算子的卷积核大小，影响梯度计算的精度。
- 默认值：3
- 确认方法：

- - 如果需要更平滑的边缘，可以尝试更大的值（如 5 或 7）。
  - 值越大，计算复杂度越高，但边缘检测结果可能更平滑。

L2gradient

- 作用：决定梯度幅值的计算方式。

- - 如果为 True，则使用 L2 范数计算梯度幅值（M=Gx2+Gy2）。
  - 如果为 False，则使用 L1 范数计算梯度幅值（M=∣Gx∣+∣Gy∣）。

- 默认值：False
- 确认方法：

- - 如果对精度要求较高，可以设置为 True。
  - 如果对性能要求较高，可以使用默认值 False。

# Canny 边缘检测
edges = cv2.Canny(gray_image, 100, 200)

我们可以找一张图片，先高斯滤波，然后Canny检测，再边缘检测，感受一下各参数的改变的Canny边缘检测的影响：

新建文件：UiTest.py 在其中构建下列类

import cv2
import numpy as np
import matplotlib.pyplot as plt
from matplotlib.widgets import Sliderclass EdgeDetectionDemo:def __init__(self, image_path):self.image = cv2.imread(image_path)if self.image is None:raise ValueError(f"Failed to load image at path: {image_path}")self.image_gray = cv2.cvtColor(self.image, cv2.COLOR_BGR2GRAY)# 初始化默认参数self.blur_size = 5self.canny_low = 100self.canny_high = 200self.min_w = 100self.min_h = 100# 创建图像窗口self.fig, (self.ax1, self.ax2, self.ax3) = plt.subplots(1, 3, figsize=(18, 6))self.fig.subplots_adjust(bottom=0.25)  # 调整底部空间以放置滑块# 显示原始图像self.ax1.imshow(cv2.cvtColor(self.image, cv2.COLOR_BGR2RGB))self.ax1.set_title("Original Image")self.ax1.axis('off')# 显示边缘检测和轮廓检测结果self.update_processing()# 创建滑块self.create_sliders()plt.show()def update_processing(self):# 高斯模糊（确保核大小为奇数）blur_size = self.blur_size if self.blur_size % 2 == 1 else self.blur_size + 1blurred = cv2.GaussianBlur(self.image_gray, (blur_size, blur_size), 0)# Canny边缘检测edges = cv2.Canny(blurred, self.canny_low, self.canny_high)# 查找轮廓contours, _ = cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)# 绘制边缘检测结果self.ax2.clear()self.ax2.imshow(edges, cmap='gray')self.ax2.set_title(f"Canny Edges (Low={self.canny_low}, High={self.canny_high})")self.ax2.axis('off')# 绘制轮廓检测结果contour_img = self.image.copy()valid_contours = []for cnt in contours:x, y, w, h = cv2.boundingRect(cnt)if w > self.min_w and h > self.min_h:cv2.rectangle(contour_img, (x, y), (x+w, y+h), (0, 255, 0), 2)valid_contours.append(cnt)self.ax3.clear()self.ax3.imshow(cv2.cvtColor(contour_img, cv2.COLOR_BGR2RGB))self.ax3.set_title(f"Contours (Min Size: {self.min_w}x{self.min_h})")self.ax3.axis('off')self.fig.canvas.draw_idle()  # 重新绘制图像def create_sliders(self):# 创建滑块ax_blur_size = self.fig.add_axes([0.25, 0.15, 0.65, 0.03])ax_canny_low = self.fig.add_axes([0.25, 0.12, 0.65, 0.03])ax_canny_high = self.fig.add_axes([0.25, 0.09, 0.65, 0.03])ax_min_w = self.fig.add_axes([0.25, 0.06, 0.65, 0.03])ax_min_h = self.fig.add_axes([0.25, 0.03, 0.65, 0.03])self.slider_blur_size = Slider(ax_blur_size, 'Blur Size', 1, 15, valinit=self.blur_size, valstep=2)self.slider_canny_low = Slider(ax_canny_low, 'Canny Low', 0, 300, valinit=self.canny_low, valstep=10)self.slider_canny_high = Slider(ax_canny_high, 'Canny High', 50, 500, valinit=self.canny_high, valstep=10)self.slider_min_w = Slider(ax_min_w, 'Min Width', 50, 500, valinit=self.min_w, valstep=10)self.slider_min_h = Slider(ax_min_h, 'Min Height', 50, 500, valinit=self.min_h, valstep=10)# 绑定滑块事件self.slider_blur_size.on_changed(self.update_slider)self.slider_canny_low.on_changed(self.update_slider)self.slider_canny_high.on_changed(self.update_slider)self.slider_min_w.on_changed(self.update_slider)self.slider_min_h.on_changed(self.update_slider)def update_slider(self, val):self.blur_size = int(self.slider_blur_size.val)self.canny_low = int(self.slider_canny_low.val)self.canny_high = int(self.slider_canny_high.val)self.min_w = int(self.slider_min_w.val)self.min_h = int(self.slider_min_h.val)self.update_processing()

在另外一个文件（learnCV.py）中引用该类

from ImageManipulation import cvTest
from UiTest import EdgeDetectionDemo
def main():# cvTest.TestGrayImage()# cvTest.TestChannelSplite()demo = EdgeDetectionDemo("Cars.jpg")if(__name__=="__main__"):main()