目錄
1.圖像梯度首先我們來看看什么是圖像梯度：圖像梯度可以把圖像看作二維離散函數(shù)，圖像梯度就是這個二維函數(shù)的求導(dǎo)，圖像邊緣一般都是通過對圖像進(jìn)行梯度運算來實現(xiàn)的 在圖像梯度這一部分我們會接觸查找圖像梯度、邊緣等，這一部分涉及了三個主要函數(shù)：cv.Sobel()，cv.Scharr()，cv.Laplacian()，相對應(yīng)的，OpenCV提供的三種類型的梯度濾波器（高通濾波器），即Sobel、Scharr和Laplacian 在上一部分2D卷積即圖像過濾內(nèi)容中我們說了低通濾波器（LPF）與高通濾波器（HPF）的主要應(yīng)用方向，LPF用于消除噪聲，HPF用于找到邊緣，在圖像梯度這一部分我們使用三個高通濾波器來找到圖像中的邊緣 1.1 Sobel和Scharr算子Sobel算子是高斯平滑與微分操作的結(jié)合體，所以其抗噪聲能力很好，我們可以設(shè)定求導(dǎo)方向（xorder或yorder），還可以設(shè)定使用的卷積核大小ksize 當(dāng)我們設(shè)定的卷積核的大小為-1時，會默認(rèn)使用3x3的Scharr濾波器，它的效果比3x3的Sobel效果更好，并且處理速度相同，所以在使用3x3Sobel濾波器時應(yīng)使用Scharr濾波器代替
了解了Sobel和Scharr高通濾波器的內(nèi)核，我們再來看看cv.Sobel()和cv.Scharr()函數(shù)的參數(shù)，cv.Sobel(img,cv.CV_64F,dx,dy,ksize)函數(shù)需要傳遞的參數(shù)分別是原圖像，cv.CV_64F是圖像深度，一般寫作-1就可以了，dx和dy分別表示x軸方向和y軸方向的算子，ksize就是內(nèi)核 而Scharr高通濾波器是3x3的內(nèi)核，所以cv.Scharr()的參數(shù)與cv.Sobel()函數(shù)對比少傳遞一個ksize參數(shù)即可 1.2 Laplacian算子Laplace其實利用Sobel算子的運算，它通過Sobel算子運算出圖像在x方向和y方向的導(dǎo)數(shù)，得出拉普拉斯變換結(jié)果，它就像Sobel算子的升級版 下面我們上倆例子方便大家理解 import numpy as npimport cv2 as cvfrom matplotlib import pyplot as pltimg = cv.imread(r'E:\image\test06.png', 0)laplacian = cv.Laplacian(img, cv.CV_64F)sobelx = cv.Sobel(img, cv.CV_64F, 1, 0, ksize=5)sobely = cv.Sobel(img, cv.CV_64F, 0, 1, ksize=5)plt.subplot(2, 2, 1), plt.imshow(img, cmap='gray')plt.title('Original'), plt.xticks([]), plt.yticks([])plt.subplot(2, 2, 2), plt.imshow(laplacian, cmap='gray')plt.title('Laplacian'), plt.xticks([]), plt.yticks([])plt.subplot(2, 2, 3), plt.imshow(sobelx, cmap='gray')plt.title('Sobel X'), plt.xticks([]), plt.yticks([])plt.subplot(2, 2, 4), plt.imshow(sobely, cmap='gray')plt.title('Sobel Y'), plt.xticks([]), plt.yticks([])plt.show() 注意：在上面的實例中，輸出的數(shù)據(jù)類型為cv.CV_8U或np.uint8，問題就出在這里，黑色到白色的過渡被視為正斜率（具有正值），而白色到黑色的過渡被視為負(fù)斜率（具有負(fù)值），當(dāng)我們將數(shù)據(jù)轉(zhuǎn)換為np.uint8時，所有負(fù)斜率均設(shè)為零，意思就是我們會錯過這一邊緣信息 當(dāng)要檢測兩個邊緣，更好的選擇是將輸出數(shù)據(jù)類型保留為更高的形式，取其絕對值然后再轉(zhuǎn)回cv.CV_8U 這是一個必較重要且不容忽略的問題，所以我們再通過一個例子來看看  2. Canny邊緣檢測Canny Edge Detection是由John F. Canny發(fā)明的一種流行的邊緣檢測算法，這是一個多階段，主要分為：高斯濾波、梯度計算、非極大值抑制和雙閾值檢測 2.1 多階段的Canny邊緣檢測算法高斯濾波（降噪） 由于邊緣檢測很容易收到圖像中噪聲的影響，因此我們通過Canny邊緣檢測算法進(jìn)行圖像處理時第一步是使用5x5高斯濾波器消除圖像中的噪聲
梯度計算 使用Sobel核在水平和垂直方向上對平滑圖像進(jìn)行濾波，以在水平和垂直方向得到一階導(dǎo)數(shù) 非極大值抑制 在獲得梯度大小和方向后，將對圖像進(jìn)行全面掃描，以去除可能不構(gòu)成邊緣的所有不需要的像素，為此在每個像素處檢查像素是都是在其梯度方向上附近的局部最大值  （圖像來源于OpenCV4.1中文官方文檔） 點A在邊緣（垂直方向）上。漸變方向垂直于邊緣。點B和C在梯度方向上。因此，將A點與B點和C點進(jìn)行檢查，看是否形成局部最大值。如果是這樣，則考慮將其用于下一階段，否則將其抑制（置為零）。 簡而言之，你得到的結(jié)果是帶有“細(xì)邊”的二進(jìn)制圖像 磁滯閾值（雙閾值檢測） 在這個階段會確定哪些邊緣是真正的邊緣，為此我們需要提供兩個閾值minVal和maxVal，強度梯度大于maxVal的任何邊緣必定是邊緣，而小于minVal的任何邊緣必定不是邊緣，如果講他們連接到邊緣像素。則將他們視為邊緣的一部分否則將被丟棄
注意：我們必須選擇相應(yīng)的minVal和maxVal才能獲取正確的結(jié)果 2.2 OpenCV中的Canny Edge檢測OpenCV將Canny邊緣檢測算法的四個階段放在了一個單數(shù)cv.Canny()中，我們只需要去正確使用它就能獲取我們的邊緣檢測需求 我們看看cv.Canny()這個函數(shù)的傳參，第一個參數(shù)是圖像資源，第二、三個參數(shù)分別是用于磁滯閾值（雙閾值檢測）階段的兩個閾值minVal和maxVal，第四個參數(shù)是picture_size，它用于查找圖像漸變的Sobel內(nèi)核的大小，默認(rèn)為3，第五個參數(shù)是L2gradient，它指定用于查找梯度的方程式，若為True會使用更精確的公式，若為False則用默認(rèn) 我們通過一個例子來看看 import numpy as npimport cv2 as cvfrom matplotlib import pyplot as pltimg = cv.imread('E:/image/test08.png', 0)edges = cv.Canny(img, 100, 200)plt.subplot(121), plt.imshow(img, cmap='gray')plt.title('Original Image'), plt.xticks([]), plt.yticks([])plt.subplot(122), plt.imshow(edges, cmap='gray')plt.title('Edge Image'), plt.xticks([]), plt.yticks([])plt.show() 3. 圖像金字塔3.1 金字塔理論基礎(chǔ)在之前我們學(xué)習(xí)的內(nèi)容中，使用的都是像素大小恒定不變的圖像，但是在一些情況下，我們在處理圖像時不知道我們所需要的物體的具體尺寸（或物體是以什么樣的尺寸出現(xiàn)在圖像中） 在這種情況下我們需要創(chuàng)建一組具有不同分辨率的相同圖像，并在這些圖像中搜索目標(biāo)對象，這些具有不同像素大小的圖像集就是我們的圖像金字塔
一般來說有兩種金字塔：高斯金字塔和拉普拉斯金字塔 3.1.1 高斯金字塔高斯金字塔中的較高級別（低分辨率）是通過先用高斯核對圖像進(jìn)行卷積再刪除偶數(shù)行和列，然后較高級別的每個像素由基礎(chǔ)級別的5個像素的貢獻(xiàn)與高斯權(quán)重形成，通過這樣的操作M x N的圖像變?yōu)镸/2 x N/2圖像,因此面積減少到原來的四分之一，我們稱之為Octave，當(dāng)我們的金字塔越靠上時這種模式就越繼續(xù)。
圖像的較低級別（高分辨率）是通過較高級別（低分辨率）在每個維度上擴大為原來的兩倍，新增的行和列（偶數(shù)行和列）以0填充，然后使用指定的濾波器進(jìn)行卷積去估計丟失像素的近似值。
cv.pyrUp(src)函數(shù)：其中只需要傳入一個參數(shù)，代表圖像資源，用于對圖像做向上采樣 cv.pyrDown()函數(shù)：參數(shù)傳遞與cv.pyrUp()一致，用于對圖像做向下采樣，通常也可以做圖像模糊化處理 3.1.2 拉普拉斯金字塔拉普拉斯金字塔由高斯金字塔形成，沒有專用的功能，拉普拉斯金字塔圖像僅表示邊緣圖像，它的大多數(shù)元素為0，它們通常用于圖像壓縮 拉普拉斯金字塔的層由高斯金字塔的層與高斯金字塔的高層的擴展版本之間的差形成 我們通過一個例子來展示拉普拉斯金字塔  3.2 使用圖像金字塔進(jìn)制圖像融合圖像金字塔的一個應(yīng)用是圖像融合，如果進(jìn)行簡單的圖像拼接，我們將兩個圖片堆疊在一起，會因為圖像之間的不連續(xù)性看起來效果不好，在這種情況下金字塔混合圖像可以無縫混合，而不會在圖像中保留大量數(shù)據(jù) 想要達(dá)到圖像混合的效果，需要完成以下步驟：
import cv2 as cvimport numpy as np, sysA = cv.imread('E:/image/horse.png')B = cv.imread('E:/image/cow.png')# 生成A的高斯金字塔G = A.copy()gpA = [G]for i in range(6): G = cv.pyrDown(G) gpA.append(G)# 生成B的高斯金字塔G = B.copy()gpB = [G]for i in range(6): G = cv.pyrDown(G) gpB.append(G)# 生成A的拉普拉斯金字塔lpA = [gpA[5]]for i in range(5, 0, -1): GE = cv.pyrUp(gpA[i]) L = cv.subtract(gpA[i - 1], GE) lpA.append(L)# 生成B的拉普拉斯金字塔lpB = [gpB[5]]for i in range(5, 0, -1): GE = cv.pyrUp(gpB[i]) L = cv.subtract(gpB[i - 1], GE) lpB.append(L)# 現(xiàn)在在每個級別中添加左右兩半圖像LS = []for la, lb in zip(lpA, lpB): rows, cols, dpt = la.shape ls = np.hstack((la[:, 0:cols / 2], lb[:, cols / 2:])) LS.append(ls)# 現(xiàn)在重建ls_ = LS[0]for i in range(1, 6): ls_ = cv.pyrUp(ls_) ls_ = cv.add(ls_, LS[i])# 圖像與直接連接的每一半real = np.hstack((A[:, :cols / 2], B[:, cols / 2:]))cv.imwrite('Pyramid_blending2.jpg', ls_)cv.imwrite('Direct_blending.jpg', real) |
|
|
