华北建设集团有限公司oa网站,wordpress 投稿 图片,手机网站转app开发教程,成都做网站设计哪家最权威欢迎来到 OpenCV 图像处理的第二部分#xff01;在第一部分#xff0c;我们学习了如何加载、显示、保存图像以及访问像素等基础知识。现在#xff0c;我们将深入探索如何利用 OpenCV 提供的强大工具来修改和分析图像。
图像处理是计算机视觉领域的基石。通过对图像进行各种…欢迎来到 OpenCV 图像处理的第二部分在第一部分我们学习了如何加载、显示、保存图像以及访问像素等基础知识。现在我们将深入探索如何利用 OpenCV 提供的强大工具来修改和分析图像。
图像处理是计算机视觉领域的基石。通过对图像进行各种操作我们可以改善图像质量、提取重要特征、准备图像用于更复杂的任务如目标识别或图像分割。
本部分将涵盖以下关键主题
图像增强与滤波 亮度与对比度调整图像平滑均值滤波、高斯滤波图像锐化拉普拉斯算子 图像形态学操作 腐蚀与膨胀开运算与闭运算形态学梯度 边缘检测 Sobel 算子Canny 边缘检测 实战检测图像中的边缘
让我们开始吧
1. 图像增强与滤波
图像增强旨在改善图像的视觉效果或为后续处理提供更好的输入。滤波则是通过对图像像素及其邻域像素进行计算来达到平滑、锐化或提取特征的目的。
1.1 亮度与对比度调整
调整图像的亮度和对比度是最常见的图像增强操作之一。
亮度 (Brightness): 控制图像的整体明暗程度。增加亮度就像给图像加光。对比度 (Contrast): 控制图像中明暗区域之间的差异程度。增加对比度会使亮区更亮暗区更暗图像看起来更鲜明。
数学上简单的亮度和对比度调整可以通过线性变换实现 OpenCV 提供了 cv2.convertScaleAbs() 函数来实现这个线性变换并且会自动处理像素值超出 [0, 255] 范围的情况截断到 0 或 255。
Python import cv2
import numpy as np# --- 练习 1.1: 调整图像亮度与对比度 ---# 1. 加载图像
# 请替换成你自己的图片路径
image_path your_image.jpg
try:image cv2.imread(image_path)if image is None:raise FileNotFoundError(f图片文件未找到: {image_path})
except FileNotFoundError as e:print(e)print(请确保你的图片文件存在并位于正确路径。)# 使用一个虚拟图片代替以便代码可以运行实际操作中请替换image np.zeros((300, 500, 3), dtypenp.uint8)cv2.putText(image, Image not found, (50, 150), cv2.FONT_HERSHEY_SIMPLEX, 1, (255, 255, 255), 2)cv2.putText(image, Please replace your_image.jpg, (50, 200), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (255, 255, 255), 2)print(f原始图像尺寸: {image.shape})# 2. 定义调整参数
alpha 1.5 # 对比度控制 (增益)大于1增强对比度
beta 30 # 亮度控制 (偏置)正数增加亮度# 3. 应用线性变换进行亮度与对比度调整
# 注意: cv2.convertScaleAbs 会自动将结果转换为 uint8 并取绝对值 (虽然对于亮度/对比度调整结果通常是非负的)
adjusted_image cv2.convertScaleAbs(image, alphaalpha, betabeta)# 4. 显示原始图像和调整后的图像
cv2.imshow(Original Image, image)
cv2.imshow(Adjusted Image (alpha1.5, beta30), adjusted_image)# 5. 尝试不同的参数组合
alpha_low_contrast 0.7
beta_dark -50
adjusted_low_contrast_dark cv2.convertScaleAbs(image, alphaalpha_low_contrast, betabeta_dark)
cv2.imshow(Adjusted Image (alpha0.7, beta-50), adjusted_low_contrast_dark)# 等待按键然后关闭窗口
cv2.waitKey(0)
cv2.destroyAllWindows()print(\n--- 练习 1.1 完成 ---)练习提示:
尝试不同的 alpha 和 beta 值观察图像的变化。alpha 可以是小数例如 0.5 会降低对比度。beta 可以是负数例如 -50 会降低亮度。
1.2 图像平滑 (滤波)
图像平滑也称为模糊是一种常用的滤波技术主要用于减少图像中的噪声或在进行边缘检测等操作前平滑图像。平滑的原理是使用一个核Kernel或掩膜Mask与图像进行卷积。核是一个小矩阵它在图像上滑动在每个位置将核的元素与对应的图像像素值相乘然后将结果求和得到中心像素的新值。
均值滤波 (Mean Filter) Python import cv2
import numpy as np# --- 练习 1.2.1: 均值滤波 ---# 1. 加载图像
image_path your_image.jpg
try:image cv2.imread(image_path)if image is None:raise FileNotFoundError(f图片文件未找到: {image_path})
except FileNotFoundError as e:print(e)print(请确保你的图片文件存在并位于正确路径。)image np.zeros((300, 500, 3), dtypenp.uint8)cv2.putText(image, Image not found, (50, 150), cv2.FONT_HERSHEY_SIMPLEX, 1, (255, 255, 255), 2)cv2.putText(image, Please replace your_image.jpg, (50, 200), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (255, 255, 255), 2)# 2. 定义核的大小 (必须是正奇数如 (3, 3), (5, 5) 等)
ksize_mean (5, 5)# 3. 应用均值滤波
# cv2.blur() 函数用于进行均值滤波
# 参数: src (输入图像), ksize (核大小)
mean_blurred_image cv2.blur(image, ksize_mean)# 4. 显示原始图像和均值滤波后的图像
cv2.imshow(Original Image, image)
cv2.imshow(fMean Blurred Image (ksize{ksize_mean}), mean_blurred_image)# 5. 尝试不同的核大小
ksize_mean_large (15, 15)
mean_blurred_image_large cv2.blur(image, ksize_mean_large)
cv2.imshow(fMean Blurred Image (ksize{ksize_mean_large}), mean_blurred_image_large)cv2.waitKey(0)
cv2.destroyAllWindows()print(\n--- 练习 1.2.1 完成 ---)练习提示:
尝试使用不同大小的核。核越大平滑效果越明显但图像细节丢失越多。均值滤波对去除“椒盐噪声”等随机噪声有一定效果。
高斯滤波 (Gaussian Filter)
高斯滤波是一种更常用的平滑滤波器。它使用一个符合高斯分布正态分布的核。与均值滤波不同高斯核中的元素不是相等的而是距离核中心越近的元素权重越大距离越远权重越小。这使得高斯滤波在平滑图像的同时能够更好地保留边缘信息。
高斯核的形状由标准差 σ 控制。σ 越大核越“胖”平滑范围越大。
Python import cv2
import numpy as np# --- 练习 1.2.2: 高斯滤波 ---# 1. 加载图像
image_path your_image.jpg
try:image cv2.imread(image_path)if image is None:raise FileNotFoundError(f图片文件未找到: {image_path})
except FileNotFoundError as e:print(e)print(请确保你的图片文件存在并位于正确路径。)image np.zeros((300, 500, 3), dtypenp.uint8)cv2.putText(image, Image not found, (50, 150), cv2.FONT_HERSHEY_SIMPLEX, 1, (255, 255, 255), 2)cv2.putText(image, Please replace your_image.jpg, (50, 200), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (255, 255, 255), 2)# 2. 定义核的大小 (必须是正奇数) 和 高斯标准差 (sigmaX, sigmaY)
# sigmaX 和 sigmaY 分别表示高斯核在X和Y方向上的标准差
# 如果 sigmaY 为 0则 sigmaY sigmaX
# 如果 sigmaX 和 sigmaY 都为 0则它们由核大小计算得出
ksize_gaussian (5, 5)
sigma_x 0 # 通常设置为 0让 OpenCV 根据核大小自动计算# 3. 应用高斯滤波
# cv2.GaussianBlur() 函数用于进行高斯滤波
# 参数: src (输入图像), ksize (核大小), sigmaX, sigmaY (标准差), borderType (边界处理方式通常不需要指定)
gaussian_blurred_image cv2.GaussianBlur(image, ksize_gaussian, sigma_x)# 4. 显示原始图像和高斯滤波后的图像
cv2.imshow(Original Image, image)
cv2.imshow(fGaussian Blurred Image (ksize{ksize_gaussian}, sigmaX{sigma_x}), gaussian_blurred_image)# 5. 尝试不同的核大小和 sigmaX 值
ksize_gaussian_large (15, 15)
sigma_x_large 5 # 明确指定较大的标准差
gaussian_blurred_image_large cv2.GaussianBlur(image, ksize_gaussian_large, sigma_x_large)
cv2.imshow(fGaussian Blurred Image (ksize{ksize_gaussian_large}, sigmaX{sigma_x_large}), gaussian_blurred_image_large)cv2.waitKey(0)
cv2.destroyAllWindows()print(\n--- 练习 1.2.2 完成 ---)练习提示:
比较均值滤波和高斯滤波的效果注意它们在边缘处的差异。尝试不同的 ksize 和 sigmaX 值。sigmaX 对平滑效果影响很大。当 sigmaX 较大时即使核较小平滑效果也很明显。
1.3 图像锐化
与平滑相反图像锐化旨在增强图像的边缘和细节使图像看起来更清晰。锐化通常通过突出图像中的变化区域如边缘来实现。
一种常见的锐化方法是使用拉普拉斯算子 (Laplacian Operator)。拉普拉斯算子是二阶微分算子它检测图像中灰度变化率最大的区域这些区域通常对应于边缘。对图像应用拉普拉斯算子后得到的是边缘信息。
要实现图像锐化可以将原始图像与拉普拉斯算子检测到的边缘信息进行结合。一个简单的锐化核是
[ 0, 1, 0 ]
[ 1, -4, 1 ]
[ 0, 1, 0 ]或
[-1, -1, -1]
[-1, 8, -1]
[-1, -1, -1]使用这些核进行卷积可以直接得到锐化效果。
OpenCV 提供了 cv2.Laplacian() 函数来计算拉普拉斯算子或者你可以使用 cv2.filter2D() 函数和自定义的锐化核进行卷积。对于初学者使用 filter2D 配合锐化核可能更直观。
Python import cv2
import numpy as np# --- 练习 1.3: 图像锐化 ---# 1. 加载图像 (灰度图通常更适合滤波操作)
# 如果你的图片是彩色图可以先转换为灰度图
image_path your_image.jpg
try:image_color cv2.imread(image_path)if image_color is None:raise FileNotFoundError(f图片文件未找到: {image_path})image cv2.cvtColor(image_color, cv2.COLOR_BGR2GRAY) # 转换为灰度图
except FileNotFoundError as e:print(e)print(请确保你的图片文件存在并位于正确路径。)# 使用一个虚拟灰度图片代替image np.zeros((300, 500), dtypenp.uint8)cv2.putText(image, Image not found, (50, 150), cv2.FONT_HERSHEY_SIMPLEX, 1, (255, 255, 255), 2)cv2.putText(image, Please replace your_image.jpg, (50, 200), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (255, 255, 255), 2)print(f灰度图像尺寸: {image.shape})# 2. 定义锐化核 (一个常用的拉普拉斯锐化核)
sharpening_kernel np.array([[0, -1, 0],[-1, 5, -1],[0, -1, 0]
], dtypenp.float32) # 使用 float32 类型# 3. 应用自定义核进行滤波 (锐化)
# cv2.filter2D() 函数使用自定义核对图像进行卷积
# 参数: src (输入图像), ddepth (输出图像深度-1 表示与输入图像相同), kernel (核)
sharpened_image cv2.filter2D(image, -1, sharpening_kernel)# 4. 显示原始灰度图像和锐化后的图像
cv2.imshow(Original Grayscale Image, image)
cv2.imshow(Sharpened Image (using filter2D), sharpened_image)# 5. 使用 cv2.Laplacian 函数仅获取边缘信息不是直接锐化
# 需要指定输出深度通常使用 cv2.CV_64F 以避免溢出
laplacian cv2.Laplacian(image, cv2.CV_64F)
# 将结果转换回 uint8
# 注意: 拉普拉斯结果可能有负值需要取绝对值并缩放到 0-255 范围
laplacian_abs cv2.convertScaleAbs(laplacian)
cv2.imshow(Laplacian Edge Information, laplacian_abs)cv2.waitKey(0)
cv2.destroyAllWindows()print(\n--- 练习 1.3 完成 ---)练习提示:
cv2.filter2D() 非常灵活你可以尝试定义其他核例如一个简单的边缘检测核 np.array([[-1, -1, -1], [-1, 8, -1], [-1, -1, -1]])来观察效果。cv2.Laplacian() 直接计算的是图像的二阶导数它更常用于边缘检测而不是直接产生锐化后的图像虽然可以通过与原图叠加实现锐化。理解 filter2D 和 Laplacian 的区别。注意 filter2D 的 ddepth 参数-1 表示输出与输入深度相同如果核导致结果超出 0-255可能会发生截断。对于一些滤波操作可能需要将输入转换为更高的数据类型如 float32进行计算然后再转换回 uint8。但在上面的锐化例子中[-1, 5, -1] 核通常不会导致严重溢出所以直接用 -1 输出深度是可行的。 2. 图像形态学操作
形态学操作是基于图像中特定形状称为结构元素或核的几何操作。它们主要应用于二值图像只有黑白两种像素值0 或 255但也适用于灰度图像。形态学操作在处理图像中的对象形状、大小、连接等方面非常有用例如去除噪声、分割独立元素、连接相邻元素、查找图像中的孔洞等。
形态学操作的关键在于结构元素。它是一个小矩阵定义了在操作过程中如何探测或影响邻域像素。OpenCV 提供了 cv2.getStructuringElement() 函数来创建不同形状和大小的结构元素。
Python import cv2
import numpy as np# --- 练习 2.0: 创建结构元素 ---# 1. 定义结构元素的形状和大小
# 形状: cv2.MORPH_RECT (矩形), cv2.MORPH_ELLIPSE (椭圆形), cv2.MORPH_CROSS (交叉形)
shape cv2.MORPH_RECT
ksize (5, 5) # 大小 (宽度, 高度)# 2. 创建结构元素
kernel_rect cv2.getStructuringElement(shape, ksize)
print(f矩形结构元素 ({ksize}):\n{kernel_rect})shape_ellipse cv2.MORPH_ELLIPSE
ksize_ellipse (7, 7)
kernel_ellipse cv2.getStructuringElement(shape_ellipse, ksize_ellipse)
print(f\n椭圆形结构元素 ({ksize_ellipse}):\n{kernel_ellipse})shape_cross cv2.MORPH_CROSS
ksize_cross (5, 5)
kernel_cross cv2.getStructuringElement(shape_cross, ksize_cross)
print(f\n交叉形结构元素 ({ksize_cross}):\n{kernel_cross})# 注意形态学操作通常用于二值图像所以我们创建一个简单的二值图像作为例子
# 创建一个包含白色方块的黑色图像
binary_image np.zeros((100, 100), dtypenp.uint8)
binary_image[20:80, 20:80] 255# 添加一些小的噪声点 (白色点)
binary_image[10, 10] 255
binary_image[90, 90] 255
binary_image[10, 90] 255
binary_image[90, 10] 255# 添加一些小的孔洞 (黑色点)
binary_image[45:55, 45:55] 0cv2.imshow(Original Binary Image, binary_image)
cv2.waitKey(0)
cv2.destroyAllWindows()print(\n--- 练习 2.0 完成 ---)练习提示:
理解不同形状和大小的结构元素。它们定义了形态学操作的“感受野”。注意形态学操作通常在二值图像上效果最明显。你需要先将图像转换为二值图像例如使用 cv2.threshold()。
2.1 腐蚀 (Erosion)
腐蚀操作会“缩小”二值图像中的前景物体白色区域。它的工作原理是对于输出图像的每个像素如果其对应的输入图像像素的邻域中完全被结构元素覆盖的区域都是前景像素则输出像素为前景白色否则为背景黑色。
简单来说如果结构元素在某个位置包含任何背景像素并且其中心对应输入图像的一个前景像素那么这个前景像素在输出中就会变成背景。这会导致前景物体的边缘被“腐蚀”掉。腐蚀可以用来去除图像中的小噪声点。
Python import cv2
import numpy as np# --- 练习 2.1: 腐蚀操作 ---# 1. 加载或创建二值图像 (使用上面创建的带噪声和孔洞的二值图像)
binary_image np.zeros((150, 150), dtypenp.uint8)
binary_image[30:120, 30:120] 255 # 大方块
binary_image[10, 10] 255 # 噪声点
binary_image[10, 130] 255
binary_image[130, 10] 255
binary_image[130, 130] 255
binary_image[60:90, 60:90] 0 # 孔洞# 2. 创建结构元素
kernel_erode cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))# 3. 应用腐蚀操作
# cv2.erode() 函数用于进行腐蚀
# 参数: src (输入图像), kernel (结构元素), iterations (迭代次数可选默认为1)
eroded_image cv2.erode(binary_image, kernel_erode, iterations1)# 4. 显示原始二值图像和腐蚀后的图像
cv2.imshow(Original Binary Image, binary_image)
cv2.imshow(Eroded Image (iterations1), eroded_image)# 5. 尝试多次迭代腐蚀
eroded_image_3_iter cv2.erode(binary_image, kernel_erode, iterations3)
cv2.imshow(Eroded Image (iterations3), eroded_image_3_iter)cv2.waitKey(0)
cv2.destroyAllWindows()print(\n--- 练习 2.1 完成 ---)练习提示:
观察小的噪声点是如何被腐蚀掉的。观察大的白色方块的边缘是如何向内收缩的。尝试增加 iterations 参数的值观察腐蚀效果如何增强。
2.2 膨胀 (Dilation)
膨胀操作会“放大”二值图像中的前景物体白色区域。它的工作原理是对于输出图像的每个像素如果其对应的输入图像像素的邻域中至少有一个像素被结构元素覆盖的区域是前景像素则输出像素为前景白色否则为背景黑色。
简单来说如果结构元素的中心对应输入图像的一个背景像素但该结构元素覆盖的区域内包含任何前景像素那么这个背景像素在输出中就会变成前景。这会导致前景物体的边缘向外扩展。膨胀可以用来填补物体内部的小孔洞或连接相邻的物体。
Python import cv2
import numpy as np# --- 练习 2.2: 膨胀操作 ---# 1. 加载或创建二值图像 (使用上面创建的带噪声和孔洞的二值图像)
binary_image np.zeros((150, 150), dtypenp.uint8)
binary_image[30:120, 30:120] 255 # 大方块
binary_image[10, 10] 255 # 噪声点
binary_image[10, 130] 255
binary_image[130, 10] 255
binary_image[130, 130] 255
binary_image[60:90, 60:90] 0 # 孔洞# 2. 创建结构元素
kernel_dilate cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))# 3. 应用膨胀操作
# cv2.dilate() 函数用于进行膨胀
# 参数: src (输入图像), kernel (结构元素), iterations (迭代次数可选默认为1)
dilated_image cv2.dilate(binary_image, kernel_dilate, iterations1)# 4. 显示原始二值图像和膨胀后的图像
cv2.imshow(Original Binary Image, binary_image)
cv2.imshow(Dilated Image (iterations1), dilated_image)# 5. 尝试多次迭代膨胀
dilated_image_3_iter cv2.dilate(binary_image, kernel_dilate, iterations3)
cv2.imshow(Dilated Image (iterations3), dilated_image_3_iter)cv2.waitKey(0)
cv2.destroyAllWindows()print(\n--- 练习 2.2 完成 ---)练习提示:
观察小的孔洞是如何被膨胀操作填补的。观察大的白色方块的边缘是如何向外扩展的。尝试增加 iterations 参数的值观察膨胀效果如何增强。
2.3 开运算 (Opening)
开运算是先腐蚀后膨胀的操作。它常用于去除图像中的小噪声点孤立的前景像素同时基本保持较大物体的大小和形状不变。先腐蚀可以去除小的噪声点再膨胀则可以恢复被腐蚀掉的较大物体。
Opening(Image)Dilate(Erode(Image))
2.4 闭运算 (Closing)
闭运算是先膨胀后腐蚀的操作。它常用于填充物体内部的小孔洞或连接物体之间的狭窄间隙同时基本保持物体的大小和形状不变。先膨胀可以填补孔洞和连接间隙再腐蚀则可以恢复因膨胀而稍有增大的物体大小。
Closing(Image)Erode(Dilate(Image))
OpenCV 提供了 cv2.morphologyEx() 函数它可以执行包括开运算、闭运算在内的多种形态学操作。
Python import cv2
import numpy as np# --- 练习 2.3 2.4: 开运算与闭运算 ---# 1. 加载或创建二值图像 (使用上面创建的带噪声和孔洞的二值图像)
binary_image np.zeros((150, 150), dtypenp.uint8)
binary_image[30:120, 30:120] 255 # 大方块
binary_image[10, 10] 255 # 噪声点
binary_image[10, 130] 255
binary_image[130, 10] 255
binary_image[130, 130] 255
binary_image[60:90, 60:90] 0 # 孔洞# 2. 创建结构元素
kernel_morph cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))# 3. 应用开运算
# cv2.morphologyEx() 函数用于执行多种形态学操作
# 参数: src (输入图像), op (操作类型), kernel (结构元素), iterations (迭代次数可选)
# cv2.MORPH_OPEN 表示开运算
opening_image cv2.morphologyEx(binary_image, cv2.MORPH_OPEN, kernel_morph)# 4. 应用闭运算
# cv2.MORPH_CLOSE 表示闭运算
closing_image cv2.morphologyEx(binary_image, cv2.MORPH_CLOSE, kernel_morph)# 5. 显示原始、开运算和闭运算后的图像
cv2.imshow(Original Binary Image, binary_image)
cv2.imshow(Opening Operation, opening_image)
cv2.imshow(Closing Operation, closing_image)cv2.waitKey(0)
cv2.destroyAllWindows()print(\n--- 练习 2.3 2.4 完成 ---)练习提示:
观察开运算如何有效地去除了小的噪声点同时保留了较大的白色方块。观察闭运算如何填补了方块内部的孔洞。尝试使用不同大小和形状的结构元素以及不同的迭代次数看看它们如何影响开闭运算的效果。
2.5 形态学梯度 (Morphological Gradient)
形态学梯度是膨胀图像与腐蚀图像之间的差值。它会突显出物体的边缘轮廓。
MorphologicalGradientDilate(Image)−Erode(Image)
这个操作的结果通常可以看作是物体边界的“厚度”。
Python import cv2
import numpy as np# --- 练习 2.5: 形态学梯度 ---# 1. 加载或创建二值图像 (使用上面创建的二值图像)
binary_image np.zeros((150, 150), dtypenp.uint8)
binary_image[30:120, 30:120] 255 # 大方块# 2. 创建结构元素
kernel_grad cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))# 3. 应用形态学梯度
# cv2.morphologyEx() 函数 opcv2.MORPH_GRADIENT 表示形态学梯度
gradient_image cv2.morphologyEx(binary_image, cv2.MORPH_GRADIENT, kernel_grad)# 4. 显示原始二值图像和形态学梯度图像
cv2.imshow(Original Binary Image, binary_image)
cv2.imshow(Morphological Gradient, gradient_image)cv2.waitKey(0)
cv2.destroyAllWindows()print(\n--- 练习 2.5 完成 ---)练习提示:
形态学梯度结果是物体的边界区域其宽度取决于结构元素的大小。将其与后面的边缘检测结果进行比较理解它们的不同用途。形态学梯度侧重于根据物体形状来提取边界而边缘检测侧重于像素灰度变化。 3. 边缘检测
边缘是图像中像素强度发生显著变化的区域。边缘携带着图像中物体形状、边界等重要信息因此边缘检测是许多高级计算机视觉任务如目标识别、图像分割的基础步骤。
边缘检测通常涉及计算图像的梯度。梯度表示图像在某个方向上的变化率。在边缘位置梯度的大小通常较大。
3.1 Sobel 算子 OpenCV 提供了 cv2.Sobel() 函数来计算 Sobel 梯度。
Python import cv2
import numpy as np# --- 练习 3.1: Sobel 算子边缘检测 ---# 1. 加载图像并转换为灰度图 (边缘检测通常在灰度图上进行)
image_path your_image.jpg
try:image_color cv2.imread(image_path)if image_color is None:raise FileNotFoundError(f图片文件未找到: {image_path})image cv2.cvtColor(image_color, cv2.COLOR_BGR2GRAY)
except FileNotFoundError as e:print(e)print(请确保你的图片文件存在并位于正确路径。)image np.zeros((300, 500), dtypenp.uint8)cv2.putText(image, Image not found, (50, 150), cv2.FONT_HERSHEY_SIMPLEX, 1, (255, 255, 255), 2)cv2.putText(image, Please replace your_image.jpg, (50, 200), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (255, 255, 255), 2)# 2. 计算水平方向的 Sobel 梯度
# 参数: src (输入图像), ddepth (输出图像深度), dx (x方向导数阶数), dy (y方向导数阶数), ksize (Sobel核大小)
# 为了避免计算过程中出现负值截断通常将输出深度设为 cv2.CV_64F
sobelx cv2.Sobel(image, cv2.CV_64F, 1, 0, ksize3)# 3. 计算垂直方向的 Sobel 梯度
sobely cv2.Sobel(image, cv2.CV_64F, 0, 1, ksize3)# 4. 计算梯度幅值 (这里使用近似值: |Gx| |Gy|)
# 将结果转换为 uint8cv2.convertScaleAbs 会取绝对值并截断到 0-255
sobelx_abs cv2.convertScaleAbs(sobelx)
sobely_abs cv2.convertScaleAbs(sobely)
sobel_combined cv2.addWeighted(sobelx_abs, 0.5, sobely_abs, 0.5, 0) # 简单相加作为合并# 也可以使用更精确的梯度幅值计算: sqrt(Gx^2 Gy^2)
# combined_magnitude np.sqrt(sobelx**2 sobely**2)
# combined_magnitude cv2.normalize(combined_magnitude, None, 0, 255, cv2.NORM_MINMAX, cv2.CV_8U) # 归一化到 0-255# 5. 显示结果
cv2.imshow(Original Grayscale Image, image)
cv2.imshow(Sobel X, sobelx_abs)
cv2.imshow(Sobel Y, sobely_abs)
cv2.imshow(Sobel Combined (|Gx| |Gy|), sobel_combined)cv2.waitKey(0)
cv2.destroyAllWindows()print(\n--- 练习 3.1 完成 ---)练习提示:
观察 Sobel X 结果主要突出垂直方向的边缘Sobel Y 结果主要突出水平方向的边缘。合并后的结果显示了各个方向的边缘。理解为什么需要使用 cv2.CV_64F 作为输出深度以及 cv2.convertScaleAbs() 的作用。尝试不同的 ksize 值。
3.2 Canny 边缘检测
Canny 边缘检测是一种多阶段的边缘检测算法被广泛认为是目前效果最好的边缘检测算法之一。它比 Sobel 算子更复杂但能产生更细、更准确的边缘。Canny 算法主要包括以下步骤
噪声抑制: 使用高斯滤波器平滑图像去除噪声。计算梯度: 计算图像在水平和垂直方向的梯度通常使用 Sobel 算子。非极大值抑制 (Non-maximum Suppression): 细化边缘。在梯度方向上只保留梯度局部最大值抑制非最大值使得边缘变细。双阈值处理 (Double Thresholding): 定义两个阈值高阈值 (high_threshold) 和低阈值 (low_threshold)。 梯度值高于 high_threshold 的点被确定为强边缘。梯度值低于 low_threshold 的点被排除。梯度值介于 low_threshold 和 high_threshold 之间的点被称为弱边缘它们可能成为边缘也可能不是。 边缘跟踪 (Edge Tracking by Hysteresis): 连接边缘。通过分析弱边缘的邻域将与强边缘相连的弱边缘也视为边缘。
OpenCV 提供了 cv2.Canny() 函数来执行 Canny 边缘检测。
Python import cv2
import numpy as np# --- 练习 3.2: Canny 边缘检测 ---# 1. 加载图像并转换为灰度图
image_path your_image.jpg
try:image_color cv2.imread(image_path)if image_color is None:raise FileNotFoundError(f图片文件未找到: {image_path})image cv2.cvtColor(image_color, cv2.COLOR_BGR2GRAY)
except FileNotFoundError as e:print(e)print(请确保你的图片文件存在并位于正确路径。)image np.zeros((300, 500), dtypenp.uint8)cv2.putText(image, Image not found, (50, 150), cv2.FONT_HERSHEY_SIMPLEX, 1, (255, 255, 255), 2)cv2.putText(image, Please replace your_image.jpg, (50, 200), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (255, 255, 255), 2)# 2. 定义双阈值
low_threshold 50
high_threshold 150 # 通常 high_threshold 是 low_threshold 的 2 到 3 倍# 3. 应用 Canny 边缘检测
# cv2.Canny() 函数执行 Canny 边缘检测
# 参数: src (8位输入图像), threshold1 (低阈值), threshold2 (高阈值),
# apertureSize (Sobel算子大小默认为3), L2gradient (是否使用更精确的L2范数计算梯度幅值默认为False)
canny_edges cv2.Canny(image, low_threshold, high_threshold)# 4. 显示原始灰度图像和 Canny 边缘图像
cv2.imshow(Original Grayscale Image, image)
cv2.imshow(fCanny Edges (low{low_threshold}, high{high_threshold}), canny_edges)# 5. 尝试不同的阈值组合
canny_edges_loose cv2.Canny(image, 30, 100) # 较低阈值可能检测到更多弱边缘
canny_edges_strict cv2.Canny(image, 100, 200) # 较高阈值只检测到强边缘
cv2.imshow(fCanny Edges (low30, high100), canny_edges_loose)
cv2.imshow(fCanny Edges (low100, high200), canny_edges_strict)cv2.waitKey(0)
cv2.destroyAllWindows()print(\n--- 练习 3.2 完成 ---)练习提示:
Canny 边缘通常比 Sobel 边缘更细。双阈值的选择对结果影响很大。较低的阈值组合会检测到更多细节和噪声较高的阈值组合则只保留强边缘。理解双阈值处理和边缘跟踪的工作原理。 4. 实战检测图像中的边缘
现在我们将结合学到的知识在一个实际图像上进行边缘检测的实战练习。我们将加载一张图片将其转换为灰度图然后应用 Canny 边缘检测来找到物体的轮廓。
Python import cv2
import numpy as np# --- 实战练习: 使用 Canny 边缘检测 ---# 1. 加载你的图像
# 请替换 your_real_image.jpg 为你的图片路径
image_path your_real_image.jpg
try:image_color cv2.imread(image_path)if image_color is None:raise FileNotFoundError(f图片文件未找到: {image_path})print(f成功加载彩色图像: {image_path})
except FileNotFoundError as e:print(e)print(请确保你的图片文件存在并位于正确路径。)print(将使用一个内置的 OpenCV 示例图像进行演示。)# 如果图片加载失败使用 OpenCV 的内置图像# 需要确保安装了 opencv-contrib-python 或手动下载图片# 例如可以使用 ./data/lena.jpg 如果你有opencv_extra库的data文件夹# 或者简单创建一个模拟图像image_color np.zeros((400, 600, 3), dtypenp.uint8)cv2.putText(image_color, Placeholder Image, (100, 200), cv2.FONT_HERSHEY_SIMPLEX, 1, (255, 255, 255), 2)# 2. 将图像转换为灰度图
gray_image cv2.cvtColor(image_color, cv2.COLOR_BGR2GRAY)# 3. 应用 Canny 边缘检测
# 可以尝试不同的阈值来获得最佳效果
low_threshold 100
high_threshold 200
edges cv2.Canny(gray_image, low_threshold, high_threshold)# 4. 显示原始图像和边缘检测结果
cv2.imshow(Original Image, image_color)
cv2.imshow(Grayscale Image, gray_image)
cv2.imshow(fCanny Edges (low{low_threshold}, high{high_threshold}), edges)# 5. 等待按键然后关闭窗口
cv2.waitKey(0)
cv2.destroyAllWindows()print(\n--- 实战练习 完成 ---)实战提示:
更换不同的图片文件进行测试。仔细调整 Canny 函数的 low_threshold 和 high_threshold 参数观察边缘检测结果的变化。这是获得满意边缘检测结果的关键步骤。对于一些有噪声的图片你可能需要在 Canny 之前先进行高斯平滑虽然 cv2.Canny() 函数内部已经包含了高斯平滑的步骤但有时外部的预处理平滑可以改善结果。 总结
在这一部分我们深入学习了 OpenCV 中的核心图像处理技术包括
图像增强和滤波: 通过调整亮度对比度改善视觉效果使用均值滤波和高斯滤波进行平滑使用拉普拉斯算子或自定义核进行锐化。形态学操作: 利用结构元素进行腐蚀、膨胀、开运算、闭运算和形态学梯度等操作常用于二值图像处理和形状分析。 边缘检测: 学习了 Sobel 算子和更强大的 Canny 算法用于检测图像中像素强度变化显著的边缘区域。
