目錄

一、圖像梯度計算

圖像梯度-sobal算子：

Scharr：權重變化更大（線條更加豐富，比Sobel更加細致捕捉更多梯度信息）

Laplacian算子：對噪音點敏感（可以和其他一起結合使用）

二、邊緣檢測：

Canny邊緣檢測：

?編輯

?三、圖像金字塔：

高斯金字塔：

?拉普拉斯金字塔

四、圖像輪廓：?

cv2.findContours(img, mode, method)

---

一、圖像梯度計算

圖像梯度-sobal算子：

為什么兩邊??2？ ——因為我們關注的就是P5左右兩邊的梯度差，p6p4離得近，權重大

Gx	右-左
Gy	下-上

dst2 = cv2.Sobel(src,ddepth,dx,dy,ksize)

-ddepth:圖像的深度

-dx和dy：水平豎直方向

-kszie：是Sobel算子的大小

-不建議dxdy直接設置1，1；分開計算求和效果好

pie= cv2.imread('pie.png')
#結果有正負，只關系差異，正負取絕對值，現在看水平的，顯示有梯度的地方，邊界部分
sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,kszie=3)
cv_show(sobelx,'sobelx')
#白->黑是正數；黑->白是負數，所有負數截斷為0，所以要取絕對值
sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,kszie=3)
sobelx = cv2.convertScaleAbs(sobelx)
cv_show(sobelx,'sobelx')
sobely = cv2.Sobel(img,cv2.CV_64F,0,1,kszie=3)
sobely = cv2.convertScaleAbs(sobely)
cv_show(sobely,'sobely')
#xy求和
sobelxy = cv2.addWeighted(sobelx,0.5,sobely,0.5)
cv_show(sobelxy,'sobelxy')

---

Scharr：權重變化更大（線條更加豐富，比Sobel更加細致捕捉更多梯度信息）

scharrx = cv2.Scharr(img,cv2.CV_64F,1,0)
scharry = cv2.Scharr(img,cv2.CV_64F,0,1)
scharrx = cv2.convertScaleAbs(scharrx)
scharry = cv2.convertScaleAbs(scharry)
scharrxy = cv2.addWeighted(scharrx,0.5,scharry,0.5)

---

Laplacian算子：對噪音點敏感（可以和其他一起結合使用）

laplacian = cv2.Laplacian(img,cv2.CV_64F)
laplacian = cv2.convertScaleAbs(laplacian)

---

二、邊緣檢測：

Canny邊緣檢測：

1）使用高斯濾波器，以平滑圖像，濾除噪聲。（中間點比較大）

2）計算圖像中每個像素點的梯度強度和方向。

3）應用非極大值抑制（NMSNon-Maximum Suppression），抑制以消除邊緣檢測帶來的雜散響應。（體現最明顯的）

A方法：c,g1,g2,g3,g4,想求兩個交點梯度，用線性插值法用權重；如果C比兩個交點梯度都大，才保留下來

B方法：

A與BC比較，A>BC,保存邊界

4）應用雙閾值（Double-Threshold）檢測來確定真實的和潛在的邊緣，只保留最真實的。

C與A邊界連接，暫且保留；B不與邊界連接，不保留

5）通過抑制孤立的弱邊緣最終完成邊緣檢測

img = cv2.imread('lena.jpg',cv2.IMREAD_GRAYSCALE)
#參數是minmaxvalue
v1 = cv2.Canny(img,80,150)#比較大，邊緣信息較小
v2 = cv2.Canny(img,50,100)#比較小，邊緣信息更多，有可能有噪音
res = np.hstack((v1,v2))
cv_show(res,'res')

---

?三、圖像金字塔：

高斯金字塔：

向下采樣（縮小）（往塔尖）

向上采樣（放大）（往塔底）

img = cv2.imread('AM.PNG')
cv_show(img,'img')
print(img.shape)
#放大
up = cv2.pyrUp(img)
cv_show(up,'up')
print(up.shape)
#變小
down = cv2.pyrDown(img)
cv_show(down,'down')
print(down.shape)

---

?拉普拉斯金字塔

#第一層
down = cv2.pyrDown(img)
down_up = cv2.pyrUp(down)
l=img-down_up
cv_show(l,'l')

四、圖像輪廓：?

背景：之前的邊緣可能包含一些線段，不能叫做輪廓，得是一個整體，才能是輪廓

cv2.findContours(img, mode, method)

mode: 輪廓檢索模式

• RETR_EXTERNAL：只檢測最外層的輪廓；

• RETR_LIST：檢測所有輪廓，并將它們保存到同一層級中；

• RETR_CCOMP：檢測所有輪廓，并將它們組織為兩層：頂層是外部邊界，第二層是空洞邊界；

• RETR_TREE：檢測所有輪廓，并建立一個完整的輪廓層級結構（樹形層次）--常用

method: 輪廓逼近方法

• CHAIN_APPROX_NONE：保留所有的輪廓點（不做壓縮），輸出完整多邊形的頂點序列；

• CHAIN_APPROX_SIMPLE：壓縮水平、垂直和對角線方向上的冗余點，僅保留端點；（邊緣簡單化，進行壓縮得到精簡結果）

1. 為了準確性，使用二值圖像：
2. 傳入二值，檢測輪廓
3. 繪畫輪廓

img = cv2.imread('img.png')
gary = cv2.cvtColor(img,cv2.COLOR_BGRGRAY)
#二值處理，小的是0白，大的255黑
ret,thresh = cv2.threshhold(gray,127,255,cv2.THRESH_BINARY)
cv_show(thresh,'thresh')
#檢測函數，傳入二值圖像，檢測所有輪廓
#第一個值，二值結果
#第二個值：輪廓信息
#第三個值：層級
binary,contours,hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)
#繪制輪廓,需要copy，不然會覆蓋
draw_img = img.copy()
#第三個參數，輪廓畫第幾個，-1是所有
#倒數第二個參數BGR格式
#2:線條寬度
res = cv2.drawContours(draw_img,contours,-1,(0,0,255),2)
cv_show(res,'res')

輪廓特征

#需要先取出輪廓
cnt = contours[0]
#面積
cv2.contourArea(cnt)
#周長
cv2.arcLength(cnt,True)

輪廓近似：

img = cv2.imread('img.png')
gary = cv2.cvtColor(img,cv2.COLOR_BGRGRAY)
#二值處理，小的是0白，大的255黑
ret,thresh = cv2.threshhold(gray,127,255,cv2.THRESH_BINARY)
cv_show(thresh,'thresh')
binary,contours,hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)
cnt = contours[0]
draw_img = img.copy()
res = cv2.drawContours(draw_img,contours,-1,(0,0,255),2)
cv_show(res,'res')
#周長*0.1，值越小和輪廓越貼合，越大遠離輪廓
epsilon = 0.1*cv2.arcLength(cnt,True)
#周長做閾值
approx = cv2.approxPolyDP(cnt,epsilon,True)
draw_img = img.copy()
res = cv2.drawContours(draw_img,contours,-1,(0,0,255),2)
cv_show(res,'res')

邊界矩形：

img = cv2.imread('img.png')
gary = cv2.cvtColor(img,cv2.COLOR_BGRGRAY)
ret,thresh = cv2.threshhold(gray,127,255,cv2.THRESH_BINARY)
cv_show(thresh,'thresh')
binary,contours,hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)
cnt = contours[0]
x,y,w,h = cv2.boundingRect(cnt)
#外接矩形面積
rect_area = w*h
#輪廓與邊界矩形面積比
extent = float(area)/rect_area