邊緣/輪廓檢測

邊緣/輪廓檢測

Canny邊緣檢測

Canny邊緣檢測原理

Canny邊緣檢測的一般步驟

• step1：去噪
  • 邊緣檢測容易受到噪聲的影響。因此，在進行邊緣檢測前，通常需要先進行去噪
  • 通常採用高斯濾波器去除噪聲
• step2：梯度
  • 對平滑後的圖像採用sobel算子計算梯度和方向
  • 梯度的方向一般總是與邊界垂直
  • 梯度方向被歸爲四類：垂直、水平、兩個對角線
• step3：非極大值抑制
  • 在獲得了梯度和方向後，遍歷圖像，去除所有不是邊界的點
  • 實現方法：逐個遍歷像素點，判斷當前像素點是否是周圍像素點中具有相同方向梯度的最大值；若是，保留該點；否則，抑制（歸零）
  • 例子：下圖黃色背景的值被保留，其餘點被抑制（處理爲0）
    
• step4：滯後閾值
  • 兩個值：minVal：滯後閾值1；maxVal：滯後閾值2
  • 閾值越大，信息越少
  • 例子：
    

Canny函數及使用

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

• edges：邊界圖像
• image：原始圖像
• threshold1：閾值1（minVal）
• threshold2：閾值2（maxVal）

操作小記

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

輪廓查找和繪製

圖像輪廓

輪廓定義

• 邊緣檢測能夠測出邊緣，但是邊緣是不連續的
• 將邊緣連接爲一個整體，構成輪廓

注意問題

• 對象是二值圖像。所以需要預先進行閾值分割或者邊緣檢測處理
• 查找輪廓需要更改原始圖像。因此，通常使用原始圖像的一份拷貝操作
• 在OpenCV中，是從黑色背景中查找白色對象。因此，對象必須是白色的，背景必須是黑色的

使用函數

• cv2.findContours()：查找圖像輪廓的函數
  • contours, hierarchy = cv2.findContours(image, mode, method)
    • contours：輪廓
    • hierarchy：圖像的拓撲信息（輪廓層次）
    • image：原始圖像
    • mode：輪廓檢索模式
      • cv2.RETR_EXTERNAL：表示只檢測外輪廓
      • cv2.RETR_LIST：檢測的輪廓不建立等級關係
      • cv2.RETR_CCOMP：建立兩個等級的輪廓，上面的一層爲外邊界，裏面的一層爲內孔的邊界信息。如果內孔內還有一個連通物體，這個物體的邊界也在頂層
      • cv2.RETR_TREE：建立一個等級樹結構的輪廓
    • method：輪廓的近似方法
      • cv2.CHAIN_APPROX_NONE：存儲所有的輪廓點，相鄰的兩個點的像素位置差不超過1，即max(abs(x1-x2), abs(y2-y1)) == 1
      • cv2.CHAIN_APPROX_SIMPLE：壓縮水平方向，垂直方向，對角線方向的元素，只保留該方向的終點座標，例如一個矩形輪廓只需4個點來保存輪廓信息
      • 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()：將查找的輪廓繪製到圖像上
  • r = cv2.drawContours(o, contours, contourldx, color[, thickness])
    • r：目標圖像，直接修改目標的像素點，實現繪製
    • o：原始圖像
    • contours：需要繪製的邊緣數組
    • contourldx：需要繪製的邊緣索引，如果全部繪製則爲 -1
    • color：繪製的顏色，爲BGR格式的Scalar
    • thickness：可選，繪製的密度，即描述輪廓時所用的畫筆粗細

注意：若是採用這個格式img, contours, hierarchy = cv2.findContours(image, mode, method)會報下面錯誤，原因是opencv的方法改掉了，findCountours方法被修改爲只返回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

操作小記

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輪廓檢測

Hough-直線檢測

霍夫直線變換介紹

• Hough Line Transform用來做直線檢測
• 前提條件：邊緣檢測已經完成
• 平面空間到極座標空間轉換
  
• 具體
  

操作小記

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-圓檢測

霍夫圓檢測原理

• 從平面座標到極座標轉換三個參數C(x₀, y₀, r)其中x₀, y₀是圓心
• 假設平面座標的任意一個圓上的點，轉換到極座標中：C(x₀, y₀, r) 處有最大值，霍夫變換正是利用這個原理實現圓檢測
  

現實考量

• 因爲霍夫圓檢測對噪聲比較敏感，所以首先要對圖像做中值濾波
• 基於效率考慮，OpenCV中實現的霍夫變換圓檢測是基於圖像梯度的實現，分爲兩步：
  • 檢測邊緣，發現可能的圓心
  • 基於第一步的基礎上從候選圓心開始計算最佳半徑大小

操作小記

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

若採用dst = cv2.GaussianBlur(img, (23, 23), 0, 0)來過濾，效果會更好