011-特征提取算法-边缘检测

摘要：011-特征提取算法-边缘检测

边缘定义及类型

边缘类型：简单分为4中类型，阶跃型、屋脊型、斜坡型、脉冲型，其中阶跃型和斜坡型是类似的，只是变化的快慢不同。

边缘检测算子类别

边缘检测算子：

• 一阶导数： Roberts、Sobel、Prewitt
• 二阶导数： Laplacian、Log/Marr、(Kirsch、Nevitia)
• 非微分边缘检测算子： Canny
  算子参看：https://blog.csdn.net/wsp_1138886114/article/details/81368890

算子        优缺点比较
Roberts     对具有陡峭的低噪声的图像处理效果好，但利用Roberts算子提取边缘的结果是边缘比较粗，因此边缘定位不是很准确
Sobel       对灰度渐变和噪声较多的图像处理效果比较好，Sobel算子对边缘定位比较准确
Kirsch      对灰度渐变和噪声较多的图像处理效果较好。
Prewitt     对灰度渐变和噪声较多的图像处理效果较好。
Laplacian   对图像中的阶跃性边缘点定位准确，对噪声非常敏感，丢失一部分边缘的方向信息，造成一些不连续的检测边缘
LoG         LoG算子经常出现双边缘像素边界，而且该检测方法对噪声比较敏感，所以很少用LoG算子检测边缘，而是用来判断边缘像素是位于图像的明区还是暗区
Canny       此方法不易受噪声的干扰，能够检测到真正的弱边缘。在edge函数中，最有效的边缘检测方法是Canny方法。
            该方法的优点在于使用两种不同的阈值分别检测强边缘和弱边缘，并且仅当弱边缘与强边缘相连时，才将弱边缘包含在输出图像中。。
            因此，这种方法不容易被噪声”填充“，更容易检测出真正的弱边缘

OpenCV-Python 中 Canny()

步骤：

• 彩色图像转换为灰度图像（以灰度图或者单通道图读入）
• 对图像进行高斯模糊（去噪）
• 计算图像梯度，根据梯度计算图像边缘幅值与角度
• 沿梯度方向进行非极大值抑制（边缘细化）
• 双阈值边缘连接处理
• 二值化图像输出结果

“””
cv2.Canny(image, # 输入原图（必须为单通道图）
threshold1,
threshold2, # 较大的阈值2用于检测图像中明显的边缘
[, edges[,
apertureSize[, # apertureSize：Sobel算子的大小
L2gradient ]]]) # 参数(布尔值)：
true： 使用更精确的L2范数进行计算（即两个方向的倒数的平方和再开放），
false：使用L1范数（直接将两个方向导数的绝对值相加）。
“””