Opencv-图像处理理论与实例操作（二）

本节内容上接这篇博客：

• Opencv-图像操作与处理入门基本知识（一）

笔记来源

• （全）基于python的Opencv项目实战
• 黑马程序员人工智能教程_10小时学会图像处理OpenCV入门教程

2.7 图像阈值与平滑处理

• 理解阈值

理解阈值是干什么的?

假如有如图上的像素点数值，对于每一个像素点值进行判断：该像素点大于阈值如何处理，小于阈值如何处理
这就是阈值函数要做的事情

2.7.1 阈值处理

• 实例
  

2.7.2. 平滑处理

平滑处理：即滤波操作

均值滤波

方框滤波

normalize = True :会做归一化，即进行核大小的计算，再除去核大小

高斯滤波

距离越近越重视，发挥的效果越好；越远发挥的效果不是那么好

• 知识博客

1. 图像与滤波
2. 高斯模糊的算法
3. 简单易懂的高斯滤波

• 中值滤波

中值：从小到大排序，找到中间的数值

• 展示所有
  
  
  

2.8 图像梯度 ⭐

这条线左右两边都是白色一样，这条线不会产生梯度，因此边缘会产生梯度

这个点左边是0（黑）右边是255（白），左右两边梯度大一些 类似边缘检测

2.8.1 Sobel算子

算法简单，实际应用效率高于canny边缘检测效率，但是准确度是低于canny的

Sobel算子是高斯平滑与微分操作的结合体：抗噪声能力强，适用于效率要求较高，细纹处理要求不高的时候

考虑水平（Gx）和竖直（Gy）两个方向
右减左，下减上

• 函数
  

将sobel算子的部分中ksize设为-1，就是利用Scharr进行边缘检测

• 实例

1. 计算水平方向
   

• 思考：上述图像为什么只有一半的圆？
  
  
• 如何做处理让右边圆显示出来？
  
  

2. 计算竖直方向
   
3. 计算G
   
   

此处建议分开计算Sobelx,Sobely，再计算整体

• 整体计算
  
  

• 分开计算
  

• 实例 lena图像

• 原图
  
  

• 分开计算
  

• 直接计算
  

• 注意
  

2.8.2 Scharr算子

使结果差异更明显（数值更大）

2.8.3 laplacian算子

中文名称：拉普拉斯算子

对噪音点敏感，可能并不是好事，因为一些噪音点并不是一些边界

• 算子综合实例
  
• 详细讲解

1. sobel算子，scharr算子，Laplacian算子
2. 图像边缘检测之 Sobel、Scharr、拉普拉斯算子、Canny

2.8.4 边缘检测原理⭐

边缘检测原理是图像处理和计算机视觉中的基本问题，边缘检测的目标是标识数字图像中亮度变化明显的点。
图像中属性中的显著变化通常反应了属性的重要事件和变化。

图像边缘检测大幅度地减少了数据量，并且剔除了可以认为不相关地信息，保留了图像重要地结构属性。

常用的边缘检测方法可以分为两类：

1. 基于搜索
2. 基于零穿越

• 基于搜索
  
• 基于零穿越
  

2.8.5 Canny边缘检测⭐⭐

• 头衔

被认为是最优的边缘检测算法

• 算法步骤

1. 噪声去除
   由于边缘检测很容易收到噪声的影响，所以首先使用5*5高斯滤波器去除噪声【具体看平滑处理章节中的高斯滤波】
2. 计算图像梯度
   计算图像中每个像素点的梯度强度和方向
   
3. 非极大值抑制
   在获得梯度的大小和方向之后，对整幅图像进行扫描，去除那些非边界上的点。对每一个像素进行检查，看这个点的梯度是不是周围具有相同梯度方向的点中最大的。如下图：
   
   
   通俗讲解如上图，最后选择A-99%
4. 滞后阈值
   应用双阈值检测来确定真实的和潜在的边缘
   
5. 通过抑制孤立的弱边缘最终完成边缘检测

• 算法步骤详解

1. 高斯滤波器

高斯滤波器:中间点比较大，边缘比较小

2. 梯度和方向

使用的Sobel算子
具体看图像梯度中的Sobel算子

3. 非极大值抑制

• 方法一
  
• 方法二
  

4. 双阈值检测