边缘/轮廓检测

边缘/轮廓检测

Canny边缘检测

Canny边缘检测原理

Canny边缘检测的一般步骤

• step1：去噪
  • 边缘检测容易受到噪声的影响。因此，在进行边缘检测前，通常需要先进行去噪
  • 通常采用高斯滤波器去除噪声
• step2：梯度
  • 对平滑后的图像采用sobel算子计算梯度和方向
  • 梯度的方向一般总是与边界垂直
  • 梯度方向被归为四类：垂直、水平、两个对角线
• step3：非极大值抑制
  • 在获得了梯度和方向后，遍历图像，去除所有不是边界的点
  • 实现方法：逐个遍历像素点，判断当前像素点是否是周围像素点中具有相同方向梯度的最大值；若是，保留该点；否则，抑制（归零）
  • 例子：下图黄色背景的值被保留，其余点被抑制（处理为0）
    
• step4：滞后阈值
  • 两个值：minVal：滞后阈值1；maxVal：滞后阈值2
  • 阈值越大，信息越少
  • 例子：
    

Canny函数及使用

edges = cv2.Canny(image, threshold1, threshold2)

• edges：边界图像
• image：原始图像
• threshold1：阈值1（minVal）
• threshold2：阈值2（maxVal）

操作小记

import cv2

o = cv2.imread("lena.jpg", cv2.IMREAD_GRAYSCALE)
r = cv2.Canny(o, 100, 200)
cv2.imshow("ori", o)
cv2.imshow("res", r)
cv2.waitKey()
cv2.destroyAllWindows()

效果

轮廓查找和绘制

图像轮廓

轮廓定义

• 边缘检测能够测出边缘，但是边缘是不连续的
• 将边缘连接为一个整体，构成轮廓

注意问题

• 对象是二值图像。所以需要预先进行阈值分割或者边缘检测处理
• 查找轮廓需要更改原始图像。因此，通常使用原始图像的一份拷贝操作
• 在OpenCV中，是从黑色背景中查找白色对象。因此，对象必须是白色的，背景必须是黑色的

使用函数

• cv2.findContours()：查找图像轮廓的函数
  • contours, hierarchy = cv2.findContours(image, mode, method)
    • contours：轮廓
    • hierarchy：图像的拓扑信息（轮廓层次）
    • image：原始图像
    • mode：轮廓检索模式
      • cv2.RETR_EXTERNAL：表示只检测外轮廓
      • cv2.RETR_LIST：检测的轮廓不建立等级关系
      • cv2.RETR_CCOMP：建立两个等级的轮廓，上面的一层为外边界，里面的一层为内孔的边界信息。如果内孔内还有一个连通物体，这个物体的边界也在顶层
      • cv2.RETR_TREE：建立一个等级树结构的轮廓
    • method：轮廓的近似方法
      • cv2.CHAIN_APPROX_NONE：存储所有的轮廓点，相邻的两个点的像素位置差不超过1，即max(abs(x1-x2), abs(y2-y1)) == 1
      • cv2.CHAIN_APPROX_SIMPLE：压缩水平方向，垂直方向，对角线方向的元素，只保留该方向的终点坐标，例如一个矩形轮廓只需4个点来保存轮廓信息
      • cv2.CHAIN_APPROX_TC89_L1：使用teh-Chinl chain 近似算法
      • cv2.CHAIN_APPROX_TC89_KCOS：使用teh-Chinl chain 近似算法
• cv2.drawContours()：将查找的轮廓绘制到图像上
  • r = cv2.drawContours(o, contours, contourldx, color[, thickness])
    • r：目标图像，直接修改目标的像素点，实现绘制
    • o：原始图像
    • contours：需要绘制的边缘数组
    • contourldx：需要绘制的边缘索引，如果全部绘制则为 -1
    • color：绘制的颜色，为BGR格式的Scalar
    • thickness：可选，绘制的密度，即描述轮廓时所用的画笔粗细

注意：若是采用这个格式img, contours, hierarchy = cv2.findContours(image, mode, method)会报下面错误，原因是opencv的方法改掉了，findCountours方法被修改为只返回coutours和hierarchy

Traceback (most recent call last):
  File "D:/data/Code/PycharmProjects/helloworld/test.py", line 7, in <module>
    img, contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
ValueError: not enough values to unpack (expected 3, got 2)

Process finished with exit code 1

操作小记

import cv2

o = cv2.imread("money.png")
gray = cv2.cvtColor(o, cv2.COLOR_BGR2GRAY)
ret, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
co = o.copy()
r = cv2.drawContours(co, contours, -1, (0, 0, 255), 1)
cv2.imshow("ori", o)
cv2.imshow("res", r)
cv2.waitKey()
cv2.destroyAllWindows()

效果

Hough轮廓检测

Hough-直线检测

霍夫直线变换介绍

• Hough Line Transform用来做直线检测
• 前提条件：边缘检测已经完成
• 平面空间到极坐标空间转换
  
• 具体
  

操作小记

import cv2
import numpy as np


def line_detection(img):
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    edges = cv2.Canny(gray, 50, 150, apertureSize=3)
    lines = cv2.HoughLines(edges, 1, np.pi / 180, 200)
    for line in lines:
        rho, theta = line[0]
        a = np.cos(theta)
        b = np.sin(theta)
        x0 = a * rho
        y0 = b * rho
        x1 = int(x0 + 1000 * (-b))
        y1 = int(y0 + 1000 * a)
        x2 = int(x0 - 1000 * (-b))
        y2 = int(y0 - 1000 * a)
        cv2.line(img, (x1, y1), (x2, y2), (0, 0, 255), 2)
    cv2.imshow("line_detection", img)


def line_detect_possible_demo(img):
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    edges = cv2.Canny(gray, 50, 150, apertureSize=3)
    lines = cv2.HoughLinesP(edges, 1, np.pi / 180, 100, minLineLength=50, maxLineGap=10)
    for line in lines:
        x1, y1, x2, y2 = line[0]
        cv2.line(img, (x1, y1), (x2, y2), (0, 0, 255), 2)
    cv2.imshow("line_detect_possible_demo", img)


img = cv2.imread("Sudoku.png")
cv2.imshow("ori", img)
line_detection(img)
line_detect_possible_demo(img)
cv2.waitKey()

效果

Hough-圆检测

霍夫圆检测原理

• 从平面坐标到极坐标转换三个参数C(x₀, y₀, r)其中x₀, y₀是圆心
• 假设平面坐标的任意一个圆上的点，转换到极坐标中：C(x₀, y₀, r) 处有最大值，霍夫变换正是利用这个原理实现圆检测
  

现实考量

• 因为霍夫圆检测对噪声比较敏感，所以首先要对图像做中值滤波
• 基于效率考虑，OpenCV中实现的霍夫变换圆检测是基于图像梯度的实现，分为两步：
  • 检测边缘，发现可能的圆心
  • 基于第一步的基础上从候选圆心开始计算最佳半径大小

操作小记

import cv2
import numpy as np


def detect_circles_demo(img):
    dst = cv2.pyrMeanShiftFiltering(img, 10, 100)
    cimg = cv2.cvtColor(dst, cv2.COLOR_BGR2GRAY)
    circles = cv2.HoughCircles(cimg, cv2.HOUGH_GRADIENT, 1, 20, param1=50, param2=30, minRadius=0, maxRadius=0)
    circles = np.uint16(np.around(circles))
    for i in circles[0, :]:
        cv2.circle(img, (i[0], i[1]), i[2], (0, 0, 255), 2)
        cv2.circle(img, (i[0], i[1]), 2, (255, 0, 0), 2)
    cv2.imshow("circles", img)


img = cv2.imread("money.png")
cv2.imshow("ori", img)
detect_circles_demo(img)
cv2.waitKey(0)
cv2.destroyAllWindows()

效果

若采用dst = cv2.GaussianBlur(img, (23, 23), 0, 0)来过滤，效果会更好