实战赢家:为何传统边缘分割方法比深度学习更有效?附源码+教学+数据

本文主要是介绍实战赢家:为何传统边缘分割方法比深度学习更有效?附源码+教学+数据,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!

前言

传统的边缘分割方法,如Canny边缘检测和Sobel算子,已经在计算机视觉领域中使用了数十年。这些方法依赖于图像梯度和边缘强度来识别边缘,通过一系列精心设计的滤波器和阈值化步骤来实现高效的边缘检测。虽然这些方法较为简单,但它们的计算开销低,效果稳定,并且能够在资源有限的环境中实现快速处理。随着技术的发展,这些传统算法不断优化,并与现代技术结合,展现出在特定应用场景中优于深度学习模型的独特优势。

传统的边缘分割方法在计算机视觉的早期阶段就开始发挥关键作用。这些方法以其简洁而有效的处理流程,在许多应用中奠定了基础。最具代表性的传统边缘检测技术包括Canny边缘检测器、Sobel算子和Prewitt算子等。

Canny边缘检测器由John Canny在1986年提出,被广泛认为是经典的边缘检测方法。它通过多阶段的处理流程来提取边缘:首先应用高斯滤波器来平滑图像,减少噪声的影响;接着计算图像的梯度幅值和方向,以检测边缘;然后通过非极大值抑制技术来精确定位边缘,并利用双阈值处理来进一步确认和连接边缘。这种方法由于其精准度高、结果稳定,至今仍在很多实际应用中使用。

Sobel算子Prewitt算子则是基于图像的梯度来检测边缘的经典技术。Sobel算子使用一个卷积核来计算图像在水平和垂直方向上的梯度,从而检测边缘。这些方法的优点在于计算简单、实时性好,并且能够有效地检测到图像中的主要边缘特征。

虽然深度学习方法近年来在许多视觉任务中取得了显著的成功,但传统的边缘分割方法在某些应用场景中依然展示了其独特的优势。这些传统技术不仅计算开销低,适合资源有限的环境,还在处理特定类型的图像时展现出高效性。例如,在噪声较少、对实时性要求高的应用中,传统方法的简单性和高效性使其成为优选方案。此外,传统方法的可解释性强,使得在调试和优化过程中更具优势。

随着技术的发展,传统边缘分割方法也不断得到改进。算法优化和新技术的引入,使得这些方法在现代应用中仍能发挥重要作用。在某些情况下,它们甚至可以与深度学习模型结合,利用其优越的特性来补充深度学习技术的不足,提供更全面的解决方案。因此,传统边缘分割方法在边缘检测领域依然具有不容忽视的价值和竞争力。

深度学习的Hed等边缘分割算法,我之前做过很久,后续可以给大家提供。

我们以裂缝分割来演示

裂缝分割与斜率检测源码

话不多说,先附带源码和原数据

import cv2
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd# 读取目标图像和模板图像
target_img = cv2.imread(r"C:\Users\sunhongzhe\Pictures\images\mmexport1723604959151.png")
template_img = cv2.imread(r"C:\Users\sunhongzhe\Pictures\images\Dingtalk_20240814140529.jpg")# 转换为灰度图像
target_gray = cv2.cvtColor(target_img, cv2.COLOR_BGR2GRAY)
template_gray = cv2.cvtColor(template_img, cv2.COLOR_BGR2GRAY)# 获取模板图像的宽度和高度
w, h = template_gray.shape[::-1]# 使用模板匹配
res = cv2.matchTemplate(target_gray, template_gray, cv2.TM_CCOEFF_NORMED)# 设置阈值
threshold = 0.8
loc = np.where(res >= threshold)x1,y1 = 0,0
# 在目标图像上绘制匹配结果
for pt in zip(*loc[::-1]):cv2.rectangle(target_img, pt, (pt[0] + w, pt[1] + h), (0, 255, 0), 2)x1, y1 = pt[1], pt[0]target_roi = target_gray[y1-25:y1+h+75,x1-50:x1+w+50]
# img_with_shapes = target_roi.copy()
img_with_shapes = np.zeros_like(target_roi) + 255blurred = cv2.GaussianBlur(target_roi, (9, 9), 0)
edges = cv2.Canny(blurred, 50, 150)contours, _ = cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)# 提取 x 和 y
filtered_contours = []
threshold_slope = 0.5  # 自定义斜率阈值
for index, cnt in enumerate(contours):C= cv2.arcLength(cnt,False)if C <= 50:continuesegment_length = cnt.shape[0] // 20for cnt_index in range(0,18):if cnt[cnt_index*segment_length][0][0] ==cnt[(cnt_index+1)*segment_length][0][0]: continueslop = abs((((cnt[cnt_index*segment_length][0][1]) -cnt[(cnt_index+1)*segment_length][0][1]) / ((cnt[cnt_index*segment_length][0][0]) -cnt[(cnt_index+1)*segment_length][0][0]))) if slop > threshold_slope:for j in range(cnt_index*segment_length, (cnt_index+1)*segment_length):filtered_contours.append([cnt[j][0][0], cnt[j][0][1]])filtered_contours = np.array(filtered_contours, dtype=np.int32).reshape(-1, 1, 2)
# filtered_points = []
# for index, cnt in enumerate(filtered_contours):
#     for point in cnt:
#         filtered_points.append([[filtered_contours[0][0], filtered_contours[0][1]]])
# filtered_points = np.array(filtered_points)
filtered_contours = filtered_contours[np.argsort(filtered_contours[:,0, 0])]
x = filtered_contours[:,0, 0]
y = filtered_contours[:,0, 1]# 拟合多项式曲线(这里使用二次多项式)
coefficients = np.polyfit(x, y, 3)
polynomial = np.poly1d(coefficients)# 生成拟合曲线的 x 值
# x_fit = np.linspace(np.min(x), np.max(x), 5000)
y_fit = polynomial(x).clip(y.min())
# y_fit = polynomial(x).clip(y.min())def remove_anomalies(points, threshold=100, threshold_2=10):  # 第一个参数是剔除掉距离拟合曲线上远一些的一群点;# 第二个参数是剔除掉距离前几个sorted_points = points[np.argsort(points[:,0, 0])]x = sorted_points[:,0, 0]y = sorted_points[:,0, 1]# 拟合多项式曲线(这里使用二次多项式)coefficients = np.polyfit(x, y, 3)polynomial = np.poly1d(coefficients)# 生成拟合曲线的 x 值filtered_points = []y_fit = polynomial(x).clip(y.min())last_x = -1for index, x_val in enumerate(sorted_points):# 计算当前 x 值在拟合曲线上的 y 值y_fit_val = int(y_fit[index])# 获取当前 x 值的所有 y 值y_vals = sorted_points[sorted_points[:,0, 0] == x_val[0][0]]if len(y_vals) > 0:# 找到距离拟合 y 值最近的实际 y 值distances = np.abs(y_vals[:,0,0] - y_fit_val)nearest_y = y_vals[np.argmin(distances)][0][1]if (abs(nearest_y - y_fit_val) > threshold): continueif abs(nearest_y - np.mean(y[index-3:index+3])) >= threshold_2: continueif last_x != x_val[0][0]:  filtered_points.append([[int(sorted_points[index][0][0]), nearest_y]])last_x = x_val[0][0]filtered_points = np.array(filtered_points)result_points = []            for index, x_val in enumerate(filtered_points): # 斜率同向计算,点x和x-1的斜率应与x-1和x-2同向 保持单调x = filtered_points[:,0, 0]y = filtered_points[:,0, 1]if index > 2:slope_curr = (y[index] - y[index-1]) / (x[index] - x[index-1])slope_prev = (y[index-1] - y[index-2]) / (x[index-1] - x[index-2])if np.sign(slope_curr) == np.sign(slope_prev):result_points.append([[int(filtered_points[index][0][0]), filtered_points[index][0][1]]])result_points = np.array(result_points)return result_pointsfiltered_points = remove_anomalies(filtered_contours)
result_img = np.ones_like(img_with_shapes) * 255
cv2.drawContours(result_img, filtered_points, -1, 0, 2)data = {'左边缘': [], '右边缘': []}# 计算并显示斜率
def compute_and_display_slopes(img, points, interval=5):result_img_ = np.copy(img)for i in range(0, len(points) - interval, interval):  p1 = points[i][0]p2 = points[i + 2][0]  # 间隔2点取斜率# 计算斜率if p2[0] != p1[0]:slope = -(p2[1] - p1[1]) / (p2[0] - p1[0])else:slope = float('inf')  # 垂直线的斜率# 在图像上标记斜率midpoint = (p2[0], p2[1])midpoint = (int(midpoint[0]), int(midpoint[1]))  # 确保midpoint是整数cv2.putText(result_img_, f"{slope:.2f}", midpoint, cv2.FONT_HERSHEY_SIMPLEX, 0.5, 0, 1, cv2.LINE_AA)cv2.putText(result_img, f"{slope:.2f}", midpoint, cv2.FONT_HERSHEY_SIMPLEX, 0.5, 0, 1, cv2.LINE_AA)flag = Truefor i in range(0, len(points)-2):p1 = points[i][0]p2 = points[i + 2][0]if p2[0] != p1[0]:slope_ = -(p2[1] - p1[1]) / (p2[0] - p1[0])else:slope_ = float('inf')  # 垂直线的斜率# 将斜率按规则添加到对应列if slope_ < 0:data['左边缘'].append(slope_)# data['右边缘'].append(None)  # 填充 None 表示空值else:# data['左边缘'].append(None)  # 填充 None 表示空值data['右边缘'].append(slope_)# if flag and points[i ][0][1] - points[i+1][0][1] > 1: #     flag = False#     continuecv2.line(result_img, tuple(points[i][0]), tuple(points[i + 1][0]), 0, 2)cv2.line(result_img_, tuple(points[i][0]), tuple(points[i + 1][0]), 0, 2)return result_img_# 计算并绘制斜率
result_img_ = compute_and_display_slopes(target_roi, filtered_points)
# 创建 DataFrame
data['右边缘'] = data['右边缘'][::-1]
# 找出每列的最大长度
max_length = max(len(data['左边缘']), len(data['右边缘']))# 填充较短的列
data['左边缘'].extend([None] * (max_length - len(data['左边缘'])))
data['右边缘'].extend([None] * (max_length - len(data['右边缘'])))
df = pd.DataFrame(data)# 保存到 Excel 文件
df.to_excel('slopes.xlsx', index=False)plt.figure(figsize=(18, 8))plt.subplot(1, 3, 1)
plt.title('Original Points')
plt.imshow(target_roi, cmap='gray')# plt.subplot(1, 3, 2)# # 绘制散点图和拟合曲线
# plt.scatter(x, 800-y, color='blue', label='Data points')
# plt.plot(x, 800-y_fit, color='red', label='Fitted curve')
# plt.xlabel('X')
# plt.ylabel('Y')
# plt.title('Scatter Points and Fitted Curve')
# plt.legend()plt.subplot(1, 3,3)
plt.title('Convex Hull')
plt.imshow(result_img, cmap='gray')plt.subplot(1, 3, 2)
plt.title('Convex Hull')
plt.imshow(result_img_, cmap='gray')
plt.savefig("Gradient.png")
plt.show()

数据

下面将两张图放进去,改改前面几行的路径即可,第一张对应第一个路径

使用模板匹配找出预定区域,这个方法比较简单,后续咱们用不需要模板匹配的实现,因为用匹配的比较鲁棒,在几百张图里准确率高不少。

然后我们用多项式拟合与梯度阈值过滤

def remove_anomalies(points, threshold=100, threshold_2=10):  # 第一个参数是剔除掉距离拟合曲线上远一些的一群点;# 第二个参数是剔除掉距离前几个sorted_points = points[np.argsort(points[:,0, 0])]x = sorted_points[:,0, 0]y = sorted_points[:,0, 1]# 拟合多项式曲线(这里使用二次多项式)coefficients = np.polyfit(x, y, 3)polynomial = np.poly1d(coefficients)# 生成拟合曲线的 x 值filtered_points = []y_fit = polynomial(x).clip(y.min())last_x = -1for index, x_val in enumerate(sorted_points):# 计算当前 x 值在拟合曲线上的 y 值y_fit_val = int(y_fit[index])# 获取当前 x 值的所有 y 值y_vals = sorted_points[sorted_points[:,0, 0] == x_val[0][0]]if len(y_vals) > 0:# 找到距离拟合 y 值最近的实际 y 值distances = np.abs(y_vals[:,0,0] - y_fit_val)nearest_y = y_vals[np.argmin(distances)][0][1]if (abs(nearest_y - y_fit_val) > threshold): continueif abs(nearest_y - np.mean(y[index-3:index+3])) >= threshold_2: continueif last_x != x_val[0][0]:  filtered_points.append([[int(sorted_points[index][0][0]), nearest_y]])last_x = x_val[0][0]filtered_points = np.array(filtered_points)result_points = []            for index, x_val in enumerate(filtered_points): # 斜率同向计算,点x和x-1的斜率应与x-1和x-2同向 保持单调x = filtered_points[:,0, 0]y = filtered_points[:,0, 1]if index > 2:slope_curr = (y[index] - y[index-1]) / (x[index] - x[index-1])slope_prev = (y[index-1] - y[index-2]) / (x[index-1] - x[index-2])if np.sign(slope_curr) == np.sign(slope_prev):result_points.append([[int(filtered_points[index][0][0]), filtered_points[index][0][1]]])result_points = np.array(result_points)return result_points

最后我们计算并显示图像

# 计算并显示斜率
def compute_and_display_slopes(img, points, interval=5):result_img_ = np.copy(img)for i in range(0, len(points) - interval, interval):  p1 = points[i][0]p2 = points[i + 2][0]  # 间隔2点取斜率# 计算斜率if p2[0] != p1[0]:slope = -(p2[1] - p1[1]) / (p2[0] - p1[0])else:slope = float('inf')  # 垂直线的斜率# 在图像上标记斜率midpoint = (p2[0], p2[1])midpoint = (int(midpoint[0]), int(midpoint[1]))  # 确保midpoint是整数cv2.putText(result_img_, f"{slope:.2f}", midpoint, cv2.FONT_HERSHEY_SIMPLEX, 0.5, 0, 1, cv2.LINE_AA)cv2.putText(result_img, f"{slope:.2f}", midpoint, cv2.FONT_HERSHEY_SIMPLEX, 0.5, 0, 1, cv2.LINE_AA)flag = Truefor i in range(0, len(points)-2):p1 = points[i][0]p2 = points[i + 2][0]if p2[0] != p1[0]:slope_ = -(p2[1] - p1[1]) / (p2[0] - p1[0])else:slope_ = float('inf')  # 垂直线的斜率# 将斜率按规则添加到对应列if slope_ < 0:data['左边缘'].append(slope_)# data['右边缘'].append(None)  # 填充 None 表示空值else:# data['左边缘'].append(None)  # 填充 None 表示空值data['右边缘'].append(slope_)# if flag and points[i ][0][1] - points[i+1][0][1] > 1: #     flag = False#     continuecv2.line(result_img, tuple(points[i][0]), tuple(points[i + 1][0]), 0, 2)cv2.line(result_img_, tuple(points[i][0]), tuple(points[i + 1][0]), 0, 2)return result_img_

就得到了下图,可以正确地分割出裂缝,又可以得到每个区域的斜率,美哉。

总结

这是裂缝实验的实践,后续给大家带来AI的Hed网络。传统方法不需要训练,简单实现即可,ai需要大规模样本,还是差点意思。小样本里传统方法好使,还不用训练资源,还不用标注数据。

这篇关于实战赢家:为何传统边缘分割方法比深度学习更有效?附源码+教学+数据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/1137245

相关文章

网页解析 lxml 库--实战

lxml库使用流程 lxml 是 Python 的第三方解析库,完全使用 Python 语言编写,它对 XPath表达式提供了良好的支 持,因此能够了高效地解析 HTML/XML 文档。本节讲解如何通过 lxml 库解析 HTML 文档。 pip install lxml lxm| 库提供了一个 etree 模块,该模块专门用来解析 HTML/XML 文档,下面来介绍一下 lxml 库

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

基于MySQL Binlog的Elasticsearch数据同步实践

一、为什么要做 随着马蜂窝的逐渐发展,我们的业务数据越来越多,单纯使用 MySQL 已经不能满足我们的数据查询需求,例如对于商品、订单等数据的多维度检索。 使用 Elasticsearch 存储业务数据可以很好的解决我们业务中的搜索需求。而数据进行异构存储后,随之而来的就是数据同步的问题。 二、现有方法及问题 对于数据同步,我们目前的解决方案是建立数据中间表。把需要检索的业务数据,统一放到一张M

关于数据埋点,你需要了解这些基本知识

产品汪每天都在和数据打交道,你知道数据来自哪里吗? 移动app端内的用户行为数据大多来自埋点,了解一些埋点知识,能和数据分析师、技术侃大山,参与到前期的数据采集,更重要是让最终的埋点数据能为我所用,否则可怜巴巴等上几个月是常有的事。   埋点类型 根据埋点方式,可以区分为: 手动埋点半自动埋点全自动埋点 秉承“任何事物都有两面性”的道理:自动程度高的,能解决通用统计,便于统一化管理,但个性化定

使用SecondaryNameNode恢复NameNode的数据

1)需求: NameNode进程挂了并且存储的数据也丢失了,如何恢复NameNode 此种方式恢复的数据可能存在小部分数据的丢失。 2)故障模拟 (1)kill -9 NameNode进程 [lytfly@hadoop102 current]$ kill -9 19886 (2)删除NameNode存储的数据(/opt/module/hadoop-3.1.4/data/tmp/dfs/na

异构存储(冷热数据分离)

异构存储主要解决不同的数据,存储在不同类型的硬盘中,达到最佳性能的问题。 异构存储Shell操作 (1)查看当前有哪些存储策略可以用 [lytfly@hadoop102 hadoop-3.1.4]$ hdfs storagepolicies -listPolicies (2)为指定路径(数据存储目录)设置指定的存储策略 hdfs storagepolicies -setStoragePo

Hadoop集群数据均衡之磁盘间数据均衡

生产环境,由于硬盘空间不足,往往需要增加一块硬盘。刚加载的硬盘没有数据时,可以执行磁盘数据均衡命令。(Hadoop3.x新特性) plan后面带的节点的名字必须是已经存在的,并且是需要均衡的节点。 如果节点不存在,会报如下错误: 如果节点只有一个硬盘的话,不会创建均衡计划: (1)生成均衡计划 hdfs diskbalancer -plan hadoop102 (2)执行均衡计划 hd

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06