Python中图像边缘检测算法如何实现

这篇“python中图像边缘检测算法如何实现”文章的知识点大部分人都不太理解，所以小编给大家总结了以下内容，内容详细，步骤清晰，具有一定的借鉴价值，希望大家阅读完这篇文章能有所收获，下面我们一起来看看这篇“Python中图像边缘检测算法如何实现”文章吧。

本文采用面向对象设计，定义了一个边缘检测类EdgeDetect，使图像边缘检测算法的应用更简洁，例如

import cv2import numpy as npimport matplotlib.pyplot as pltDetector = EdgeDetect('1.jpg')Prewitt = Detector.prewitt()plt.imshow(Prewitt , 'gray')plt.show()

这个类的构造函数为

class EdgeDetect:    def __init__(self, img) -> None:        self.src = cv2.imread(img)        self.gray = cv2.cvtColor(self.src, cv2.COLOR_BGR2GRAY)

读取的是图像的基本信息。

1.一阶微分算子

图像边缘是数字图像的高频成分，对应图像梯度的极值。在二维离散数字图像上，某个方向上图像强度函数微分使用有限差分法来近似，即：

因此图像边缘检测即是对图像的差分运算。

1.1 Prewitt算子

Prewitt算子本质上就是x或y方向上相邻像素的差分。

那我们常说的图像梯度是什么意思呢？

其实就是用x与y方向上相邻像素的差分为方向的向量

在编程实现上，就是构造上图的两个方向的滤波算子，然后将x xx、y yy两个方向的边缘合成就是整张图各方向的边缘检测结果

def prewitt(self):    # Prewitt 算子    kernelX = np.array([[1,1,1],[0,0,0],[-1,-1,-1]], dtype=int)    kernelY = np.array([[-1,0,1],[-1,0,1],[-1,0,1]], dtype=int)    # 对图像滤波    x = cv2.filter2D(self.gray, cv2.CV_16S, kernelX)    y = cv2.filter2D(self.gray, cv2.CV_16S, kernelY)    # 转 uint8 ,图像融合    absX = cv2.convertScaleAbs(x)    absY = cv2.convertScaleAbs(y)    return cv2.addWeighted(absX, 0.5, absY, 0.5, 0)

1.2 Sobel算子

对高斯核函数x、y方向求导，并将其模板化即得Sobel算子。Sobel算子相比于Prewitt算子有更强的抗噪能力，因为其结合了高斯滤波的效果。

在编程实现上，就是构造上图的两个方向的滤波算子，然后将x、y两个方向的边缘合成就是整张图各方向的边缘检测结果

def sobel(self):    # Sobel 算子    kernelX = np.array([[1, 2, 1],[0, 0, 0],[-1, -2, -1]],dtype=int)    kernelY = np.array([[-1, -2, -1],[0, 0, 0],[1, 2, 1]],dtype=int)    # 对图像滤波    x = cv2.filter2D(self.gray, cv2.CV_16S, kernelX)    y = cv2.filter2D(self.gray, cv2.CV_16S, kernelY)    # 转 uint8 ,图像融合    absX = cv2.convertScaleAbs(x)    absY = cv2.convertScaleAbs(y)    return cv2.addWeighted(absX, 0.5, absY, 0.5, 0)

2.二阶微分算子

2.1 Laplace算子

将Laplace算子

写成差分方程形式为

将差分方程进一步写成卷积核形式如图(a)，可将其扩展为图(b)使之具有各向同性。微分算子属于高通滤波，在锐化边缘的同时也增强了噪点，因此Laplace算子抗噪能力弱，且不能检测边缘方向。

在编程实现上，就是构造上图的滤波算子

# Laplace 算子def laplace(self):    kernel = np.array([[0, -1, 0], [-1, 4, -1], [0, -1, 0]], dtype=int)    img = cv2.filter2D(self.gray, cv2.CV_16S, kernel)    return cv2.convertScaleAbs(img)

2.2 LoG算子

为克服Laplace算子抗噪能力弱这一问题，引入高斯-拉普拉斯算子(LoG, Laplace of Gaussian)，即先低通滤除噪声，再高通强化边缘，LoG算子本质上是带通滤波器。

在编程实现上，就是构造上图的滤波算子

# LoG算子def LoG(self):    kernel = np.array([[0, 0, 1, 0, 0], [0, 1, 2, 1, 0], [1, 2, -16, 2, 1], [0, 1, 2, 1, 0], [0, 0, 1, 0, 0]], dtype=int)    img = cv2.filter2D(self.gray, cv2.CV_16S, kernel)    return cv2.convertScaleAbs(img)

3.Canny边缘检测

Canny边缘检测算法可以分为以下步骤。

• 使用Sobel算子滤除原图像噪声，并得到梯度图；

• 应用非极大值抑制(Non-Maximum Suppression, NMS)以消除边缘检测、目标检测带来的杂散响应，即对待测边缘或目标，应尽可能有唯一的准确响应

• 应用双阈值(Double-Threshold)检测来确定真实的和潜在的边缘。

使用如下双阈值检测算法解决因噪声引起的杂散边缘响应。

阈值的选择取决于给定输入图像的内容。下面对弱边缘进一步审查，即

通常，由真实边缘引起的弱边缘像素将连接到强边缘像素，而噪声响应未连接。为了跟踪边缘连接，通过查看弱边缘像素的8个邻域像素是否存在强边缘像素，来决定是否滤除该弱边缘点。

下面是Canny边缘检测算法的效果。

以上就是关于“Python中图像边缘检测算法如何实现”这篇文章的内容，相信大家都有了一定的了解，希望小编分享的内容对大家有帮助，若想了解更多相关的知识内容，请关注编程网Python频道。