机器视觉新突破：掌握边缘提取、形态学算子与模板匹配三大核心算法

标题边缘提取

1.Canny边缘检测：首先使用高斯模糊去除噪声，然后计算每个像素点的梯度大小和方向，接着应用非极大抑制，最后通过设置阈值提取边缘点集，对噪声不敏感，能够检测到真正的弱边缘，计算复杂度高，不适用于实时系统，对参数明感，需要调参

使用场景：

Canny算子适用于需要高质量的边缘检测任务。例如物体识别，图像分割等

参数：

1.img：输入图像

2.threshold1：阈值，控制边缘强度

3.threshold2：阈值，控制边缘强度

4.edges：输出的边缘图像

5.apertureSize：Sobel算子的大小，可选3，5，7，默认3

6.L2gradient：是否使用L2范数计算梯度大小，可选值True或False，默认为False

代码：

# 进行边缘检测
sobel = cv2.Canny(img,100,200)

2.Sobel算子：sobel用于计算图像的梯度，分别在x和y方向上计算梯度，然后将两个梯度的图像合并得到最终的边缘图像

使用场景：

Sobel适用于一般的边缘检测任务，它对明显的轮廓边缘有良好的响应

参数：

1.src：输入图像

2.ddepth：输出图像的深度，-1表示与原图像相同深度

3.dx：x方向上的梯度

4.dy：y方向上的梯度

5.ksize：sobel核大小，若为-1则采用Scharr算子进行运算

6.scale：计算导数值时所采用的缩放因子，默认为1

7.delta：加在目标图像上的值，默认为0

8.borderType：边界样式

代码：

sobel = cv2.Sobel(img,cv2.CV_64F,1,0)
sobel_img = cv2.convertScaleAbs(sobel)

3.Laplacian算子：

使用场景：

拉普拉斯算子适用于更加精细的边缘检测，但对噪声比较明感，通常需要与其他滤波方法(如高斯滤波)结合使用

参数：

1.src：输入图像

2.ddepth：输出图像的深度

3.ksize：计算二阶导数的核尺寸大小

4.scale：计算拉普拉斯值的缩放比例，默认为1

5.delta：加到目标图像上的值，默认为0

6.borderType：边界样式

使用：

通常处理图像为8位图类型(cv2.CV_8U)，若结果也是该类型则会导致所有负数自动截断为0，为了避免信息丢失，计算时通常采用cv2.CV_64F，然后再通过绝对值计算转换位8位图类型

代码：

lap = cv2.Laplacian(img,cv2.CV_64F)
edge_img = cv2.convertScaleAbs(lap)

形态学算子

1.腐蚀运算

算子：cv2.erode()

参数：

image：图像源

kernel：腐蚀核大小

iterations：腐蚀次数

场景：适用于去除小的白色噪声和分离连接的物体

2.膨胀运算

算子：cv2.dilate()

参数：

image：图像源

kernel：膨胀核大小

iterations：膨胀次数

场景：会增加图像中的白色区域，或增加前景目标的尺寸大小

3.开运算

算子：cv2.morphologyEX()

参数：

image：图像源

morph：运算子(cv2.MORPH_OPEN)

kernel：运算核大小

场景：先腐蚀后膨胀，用于消除细小的物体，在纤细点处分离物体，平滑较大物体的边界

4.闭运算

算子：cv2.morphologyEX()

参数：

image：图像源

morph：运算子(cv2.MORPH_CLOSE)

kernel：运算核大小

场景：先膨胀后腐蚀，填充前景物体中的小洞或前景物体上的小黑点

模板匹配

def mutil_temp_detect(self,roi_img):
        res_simi = 0
        temp_imgs = os.listdir(self.temp_dir)

        # 灰度图转换
        gray_img = cv2.cvtColor(roi_img,cv2.COLOR_BGR2GRAY)
        
        # 直方图计算
        hist_roi = cv2.calcHist([gray_img],[0],None,[256],[0,256])
        
        # 归一化
        cv2.normalize(hist_roi,hist_roi,alpha=0,beta=1,norm_type=cv2.NORM_MINMAX)
        
        for img_path in temp_imgs:
            temp_img = cv2.imread(self.temp_dir+img_path)
            
            # 灰度图转换
            temp_img = cv2.cvtColor(temp_img,cv2.COLOR_BGR2GRAY)
            
            # 直方图计算
            hist_temp = cv2.calcHist([temp_img],[0],None,[256],[0,256])
            
            # 归一化
            cv2.normalize(hist_temp,hist_temp,alpha=0,beta=1,norm_type=cv2.NORM_MINMAX)
            
            # 相似度计算
            similarity = cv2.compareHist(hist_temp,hist_roi,cv2.HISTCMP_CORREL)
            
            # 输出百分比
            res_simi = round(similarity,2)
            
        return res_simi

简单模板匹配：

算子：cv2.matchTemplate()

参数：

image：待匹配原图像

templ：用来匹配的模板图像

method：匹配方法，例如：cv2.TM_CCOEFF_NORMED

代码：

res = cv2.matchTemplate(roi_img,temp_img,cv2.TM_CCOEFF_NORMED)
min_val,max_val,min_loc,max_loc = cv2.minMaxLoc(res)

print(f"匹配分数:{max_val}")
if max_val > 0.8:
    print("匹配成功")

公众号关注“CrazyNET”，获取更多资源。