opencv图像形态学(边缘检测算法实例)

2024-09-02 23:20

本文主要是介绍opencv图像形态学(边缘检测算法实例),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

引言

图像形态学是一种基于数学形态学的图像处理技术,它主要用于分析和修改图像的形状和结构。在OpenCV中,图像形态学操作通过一系列的数学运算来实现,如腐蚀、膨胀、开运算、闭运算等。这些操作在图像处理、计算机视觉和模式识别等领域有着广泛的应用。

一、图像边缘检测

边缘检测:是图形图像处理、计算机视觉和机器视觉中的一个基本工具,通常用于特征提取和特征检测,旨在检测一张数字图像中有明显变化的边缘或者不连续的区域

1.边缘检测原理

边缘检测的基本原理是基于图像中局部区域与周围区域之间的灰度变化。当图像中存在灰度变化时,这种变化通常被视为边缘。在实际应用中,梯度可以通过不同的算法来计算,如Sobel算子、Prewitt算子等。这些算法通过应用特定的卷积核(或模板)到图像上,来计算每个像素点的梯度。

边缘检测的主要步骤

  1. 滤波:由于边缘检测算法主要基于图像强度的一阶和二阶导数,但这些导数对噪声非常敏感,因此滤波是边缘检测前的必要步骤。常用的滤波器是高斯滤波器,它通过离散化的高斯函数产生一组归一化的高斯核,然后基于这些高斯核对图像灰度矩阵的每一点进行加权求和,从而实现图像的平滑处理。
  2. 增强:增强算法的目的是将图像中灰度有显著变化的点(即潜在的边缘点)凸显出来。一般通过计算梯度幅值来完成。梯度是一个向量,表示图像中亮度变化的方向和速率。梯度的幅值反映了亮度变化的强度,因此可以通过计算每个像素点的梯度幅值来增强边缘信息。
  3. 检测:在增强后的图像中,虽然边缘信息得到了凸显,但并非所有梯度幅值较大的点都是真正的边缘点。因此,需要通过阈值化来检测边缘点。即设定一个或多个阈值,将梯度幅值大于阈值的点视为边缘点。
  4. 定位与连接:在检测到边缘点后,需要进一步确定边缘的精确位置,并将检测到的边缘点连接成完整的边缘轮廓。这通常涉及到对边缘点的进一步处理和分析,如亚像素边缘定位、霍夫变换、轮廓跟踪等。

常见的边缘检测算法

  1. Sobel算子:Sobel算子是基于一阶导数的边缘检测算子,它利用像素上下左右邻域的灰度加权算法,根据在边缘点处达到极值这一原理进行边缘检测。Sobel算子有两个,一个是检测水平边缘的,另一个是检测垂直边缘的。
  2. Laplacian算子:Laplacian算子是基于二阶导数的边缘检测算子,它对噪声比较敏感,但能够检测到更细致的边缘。Laplacian算子可以检测两个方向上的边,但通常需要先对图像进行平滑处理以减少噪声的影响。
  3. Canny边缘检测:Canny边缘检测是一种多级边缘检测算法,它结合了高斯滤波、梯度计算、非极大值抑制和双阈值处理等多个步骤,能够以较低的错误率检测边缘,并且检测到的边缘精确定位在真实边缘的中心。Canny边缘检测算法是目前应用最广泛的边缘检测算法之一。

算法实现:

1.Sobel算子:
import cv2  # 读取图片
monkey = cv2.imread('monkey.jpg', cv2.IMREAD_GRAYSCALE)  # 使用Sobel算子检测x方向的边缘,结果以64位浮点数存储  
monkey_x_64 = cv2.Sobel(monkey, cv2.CV_64F, dx=1, dy=0)  # 将64位浮点数结果转换为8位无符号整数,便于显示  
monkey_x_full = cv2.convertScaleAbs(monkey_x_64)  # 使用Sobel算子检测y方向的边缘,结果以64位浮点数存储  
monkey_y_64 = cv2.Sobel(monkey, cv2.CV_64F, dx=0, dy=1)  # 将64位浮点数结果转换为8位无符号整数,便于显示  
monkey_y_full = cv2.convertScaleAbs(monkey_y_64)  # 将x和y方向的边缘图像加权合并  
monkey_xy_full = cv2.addWeighted(monkey_x_full, 0.5, monkey_y_full, 0.5, 0)  # 这里我调整了权重为0.5和0.5,您可以根据需要调整  # 显示合并后的边缘图像  
cv2.imshow("monkey_xy", monkey_xy_full)  # 等待按键操作  
cv2.waitKey(0)  # 关闭所有OpenCV窗口  
cv2.destroyAllWindows()

前后对比

2.Canny边缘检测
import cv2  # 读取图片,注意文件名更正为 monkey.jpg  
monkey = cv2.imread('monkey.jpg', cv2.IMREAD_GRAYSCALE)  # 显示原始灰度图片  
cv2.imshow('Original Monkey', monkey)  
cv2.waitKey(0)  # 使用Canny边缘检测算法  
monkey_canny = cv2.Canny(monkey, 50, 100)  # 显示Canny边缘检测结果,注意窗口命名以避免混淆  
cv2.imshow('Canny Edges', monkey_canny)  
cv2.waitKey(0)  # 关闭所有OpenCV窗口  
cv2.destroyAllWindows()

前后对比

3.Laplacian算子

import cv2  # 读取图片,注意文件名更正为 monkey.jpg  
monkey = cv2.imread('monkey.jpg', cv2.IMREAD_GRAYSCALE)  # 应用Laplacian算子检测边缘  
monkey_lap = cv2.Laplacian(monkey, cv2.CV_64F)  
monkey_lap_full = cv2.convertScaleAbs(monkey_lap)  # 显示Laplacian边缘检测结果  
cv2.imshow('Laplacian Edges', monkey_lap_full)  
cv2.waitKey(0) 

除了上述算法外,还有Prewitt算子、Roberts算子、Scharr算子等多种边缘检测算法可供选择。这些算法各有优缺点,在实际应用中需要根据具体需求和图像特点选择合适的算法。

这篇关于opencv图像形态学(边缘检测算法实例)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1131364

相关文章

不懂推荐算法也能设计推荐系统

本文以商业化应用推荐为例,告诉我们不懂推荐算法的产品,也能从产品侧出发, 设计出一款不错的推荐系统。 相信很多新手产品,看到算法二字,多是懵圈的。 什么排序算法、最短路径等都是相对传统的算法(注:传统是指科班出身的产品都会接触过)。但对于推荐算法,多数产品对着网上搜到的资源,都会无从下手。特别当某些推荐算法 和 “AI”扯上关系后,更是加大了理解的难度。 但,不了解推荐算法,就无法做推荐系

基于人工智能的图像分类系统

目录 引言项目背景环境准备 硬件要求软件安装与配置系统设计 系统架构关键技术代码示例 数据预处理模型训练模型预测应用场景结论 1. 引言 图像分类是计算机视觉中的一个重要任务,目标是自动识别图像中的对象类别。通过卷积神经网络(CNN)等深度学习技术,我们可以构建高效的图像分类系统,广泛应用于自动驾驶、医疗影像诊断、监控分析等领域。本文将介绍如何构建一个基于人工智能的图像分类系统,包括环境

康拓展开(hash算法中会用到)

康拓展开是一个全排列到一个自然数的双射(也就是某个全排列与某个自然数一一对应) 公式: X=a[n]*(n-1)!+a[n-1]*(n-2)!+...+a[i]*(i-1)!+...+a[1]*0! 其中,a[i]为整数,并且0<=a[i]<i,1<=i<=n。(a[i]在不同应用中的含义不同); 典型应用: 计算当前排列在所有由小到大全排列中的顺序,也就是说求当前排列是第

使用opencv优化图片(画面变清晰)

文章目录 需求影响照片清晰度的因素 实现降噪测试代码 锐化空间锐化Unsharp Masking频率域锐化对比测试 对比度增强常用算法对比测试 需求 对图像进行优化,使其看起来更清晰,同时保持尺寸不变,通常涉及到图像处理技术如锐化、降噪、对比度增强等 影响照片清晰度的因素 影响照片清晰度的因素有很多,主要可以从以下几个方面来分析 1. 拍摄设备 相机传感器:相机传

csu 1446 Problem J Modified LCS (扩展欧几里得算法的简单应用)

这是一道扩展欧几里得算法的简单应用题,这题是在湖南多校训练赛中队友ac的一道题,在比赛之后请教了队友,然后自己把它a掉 这也是自己独自做扩展欧几里得算法的题目 题意:把题意转变下就变成了:求d1*x - d2*y = f2 - f1的解,很明显用exgcd来解 下面介绍一下exgcd的一些知识点:求ax + by = c的解 一、首先求ax + by = gcd(a,b)的解 这个

综合安防管理平台LntonAIServer视频监控汇聚抖动检测算法优势

LntonAIServer视频质量诊断功能中的抖动检测是一个专门针对视频稳定性进行分析的功能。抖动通常是指视频帧之间的不必要运动,这种运动可能是由于摄像机的移动、传输中的错误或编解码问题导致的。抖动检测对于确保视频内容的平滑性和观看体验至关重要。 优势 1. 提高图像质量 - 清晰度提升:减少抖动,提高图像的清晰度和细节表现力,使得监控画面更加真实可信。 - 细节增强:在低光条件下,抖

【数据结构】——原来排序算法搞懂这些就行,轻松拿捏

前言:快速排序的实现最重要的是找基准值,下面让我们来了解如何实现找基准值 基准值的注释:在快排的过程中,每一次我们要取一个元素作为枢纽值,以这个数字来将序列划分为两部分。 在此我们采用三数取中法,也就是取左端、中间、右端三个数,然后进行排序,将中间数作为枢纽值。 快速排序实现主框架: //快速排序 void QuickSort(int* arr, int left, int rig

poj 3974 and hdu 3068 最长回文串的O(n)解法(Manacher算法)

求一段字符串中的最长回文串。 因为数据量比较大,用原来的O(n^2)会爆。 小白上的O(n^2)解法代码:TLE啦~ #include<stdio.h>#include<string.h>const int Maxn = 1000000;char s[Maxn];int main(){char e[] = {"END"};while(scanf("%s", s) != EO

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

烟火目标检测数据集 7800张 烟火检测 带标注 voc yolo

一个包含7800张带标注图像的数据集,专门用于烟火目标检测,是一个非常有价值的资源,尤其对于那些致力于公共安全、事件管理和烟花表演监控等领域的人士而言。下面是对此数据集的一个详细介绍: 数据集名称:烟火目标检测数据集 数据集规模: 图片数量:7800张类别:主要包含烟火类目标,可能还包括其他相关类别,如烟火发射装置、背景等。格式:图像文件通常为JPEG或PNG格式;标注文件可能为X