【opencv高级教程】2.5 边缘检测与梯度分析

OpenCV——图像梯度与边缘检测(python实现) OpenCV——图像梯度与边缘检测 6.1 简介 严格的说,梯度计算需要求导数。但是图像梯度的计算,是通过计算像素值的差得到梯度的近似值。图像梯度表示的是图像变化的速度,反映了图像的边缘信息。 边缘是像素值快速变化的地方。所以对于图像的边缘部分,其灰度值变化较大,梯度值也较大;对于图像中较平滑的部分,其灰度值变化较小,梯度值也较小。 为了检测边缘,我们需要检测图像中的不连续性,可以使用图像梯度来检... 阅读详情

阅读导航:我们在本节要解决的核心问题是——如何让计算机从一张充满噪声的灰度图像中,精确地“描”出物体的轮廓线? 这不是一个简单的问题。我们会像剥洋葱一样,从“用一阶导数找斜坡”开始,到“用二阶导数找屋顶”,再到“Canny的多步精密加工”,最后甚至要讨论“比像素更细的边缘到底在哪”。别急,每一步我们只解决一个认知疑点。


2.5 整体概览:从“模糊图像”到“清晰轮廓”的流水线

如果我们把边缘检测想象成一家精密加工厂,那么输入是带着噪点的 RAW 图像,输出是一张只有 0 和 255 的“线稿图”。这家工厂内部有几条不同的生产线:

  • 一阶导数车间:Sobel、Scharr,负责找出“哪里灰度变化最陡”。
  • 二阶导数车间:Laplacian、LoG、DoG,负责找出“哪里灰度从增转减(屋顶/谷底)”。
  • Canny 总装车间:把平滑、梯度、细化、阈值化串成一条全自动流水线。
  • 亚像素精修室:在像素网格之间,用数学方法找出边缘的真正中心。

输入图像
I(x,y)

预处理
高斯平滑 / NLM 去噪

一阶梯度
Sobel / Scharr

二阶微分
Laplacian / LoG / DoG

梯度幅值
Magnitude & Angle

Canny 检测器
NMS + 双阈值

零交叉 / Blob 检测

亚像素精化
cornerSubPix / 灰度重心

边缘图 / 特征点

现在我们已经了解了整体架构,接下来看看第一条生产线:一阶梯度算子。但在继续之前,我想先问你一个问题——如果我们用人眼找边缘,本质上是在找什么? 找的是“颜色突变的地方”,对吧?而数学上,“突变”就是导数很大。所以,让我们从“导数”这个老朋友开始。


2.5.1 一阶梯度算子:寻找灰度的“陡坡”

2.5.1.1 Sobel 核的分离性(1×3 与 3×1)与方向导数计算

我们先从一个 toy example 开始。 假设我们有一行一维像素,灰度值如下:

... 10, 10, 10, 100, 100, 100 ...

人眼立刻看到中间有一条竖直边缘。但计算机怎么知道?我们可以计算相邻像素的差分:

diff = [0, 0, 90, 0, 0]

那个“90”就是边缘的响应。但等等,真实图像有噪声,单个像素的跳变可能是噪点。所以我们需要一种“带平滑的差分”——Sobel 算子 正是这个想法。

直觉:平滑 + 差分的组合拳

Sobel 的 3×3 核看起来是这样:

Gx(检测垂直边缘,即水平方向的灰度变化):
[-1  0  1]
[-2  0  2]
[-1  0  1]

Gy(检测水平边缘,即垂直方向的灰度变化):
[-1 -2 -1]
[ 0  0  0]
[ 1  2  1]

听起来抽象对吧?我们把 Gx 拆开来看。中间列是 0,左右列是 [-1, -2, -1] 和 [1, 2, 1]。这相当于:先在垂直方向做平滑(1, 2, 1 是近似高斯的权重),再在水平方向做差分(-1 到 +1 的跳变)。

分离性示意

原始图像
3×3 块

步骤1: 垂直平滑
1×3 核 [1,2,1]T

步骤2: 水平差分
3×1 核 [-1,0,1]

Gx 响应

这就是 Sobel 核的可分离性(Separability):一个 3×3 的二维卷积,可以拆成两个一维卷积的级联。计算量从每像素 9 次乘加降到 6 次,听起来不多?但如果图像是 4K 的,这个优化就是生死之别。

方向导数:梯度不是标量,是向量

现在我们已经了解了 Gx 和 Gy 的分离计算。但如果边缘不是水平也不是竖直,而是斜着的 45° 呢?

想象你站在山坡上,Gx 告诉你东西方向有多陡,Gy 告诉你南北方向有多陡。但真正的最陡下降方向,是这两个分量的矢量和。这就是梯度向量:

∇I = [∂I/∂x, ∂I/∂y]T

而边缘强度(幅值)是这个向量的长度,边缘方向是它的角度。OpenCV 里用 cartToPolar 一次性搞定,我们稍后细讲。

结构化伪代码:可分离 Sobel 卷积

Algorithm SeparableSobel
Input:  图像 I[0..H-1][0..W-1], 方向 dir ∈ {x, y}
Output: 梯度图 G[0..H-1][0..W-1]

// 第一步:垂直平滑核 v = [1, 2, 1]
// 第二步:水平差分核 h = [-1, 0, 1]
if dir == x then
    // 先垂直平滑,再水平差分
    for r ← 1 to H-2 do
        for c ← 1 to W-2 do
            smooth ← 1·I[r-1][c] + 2·I[r][c] + 1·I[r+1][c]
            // 但可分离实现通常先做整行/整列的一维卷积
        end
    end
    // 更高效的实现:中间缓冲 T
    for r ← 0 to H-1 do
        for c ← 0 to W-1 do
            if c == 0 or c == W-1 then
                T[r][c] ← 0
            else
                T[r][c] ← 1·I[r][c-1] + 2·I[r][c] + 1·I[r][c+1]
            end
        end
    end
    for r ← 0 to H-1 do
        for c ← 0 to W-1 do
            if r == 0 or r == H-1 then
                G[r][c] ← 0
            else
                G[r][c] ← -1·T[r-1][c] + 0·T[r][c] + 1·T[r+1][c]
            end
        end
    end
else if dir == y then
    // 对称处理:先水平平滑,再垂直差分
    ...
end

2.5.1.2 Scharr 核的旋转等变优化与 3×3 最优性

我们继续之前的问题。 Sobel 在 45° 斜边缘上的表现怎么样?说实话,不太好。因为 3×3 的 Sobel 核对角线方向的权重分配不够对称,导致梯度方向估计有偏差,而且各向异性(不同方向的响应幅度不一致)。

想象一个旋转的十字:Sobel 检测竖直和水平臂很强,但斜臂会变弱。这不是我们想要的——我们想要一个**旋转等变(Rotation Equivariant)**的检测器:图像旋转 30°,梯度向量也跟着转 30°,且幅值不变。

Scharr 的改进思路

Scharr 在 2000 年提出了一种优化方法:在 3×3 的约束下,通过最小化角度误差和幅度误差,重新计算核的权重。结果是:

Gx:
[-3  0  3]
[-10 0 10]
[-3  0  3]

Gy:
[-3 -10 -3]
[ 0   0  0]
[ 3  10  3]

对比一下:Sobel 的中间行是 [-2, 0, 2],Scharr 是 [-10, 0, 10]。为什么差这么大?因为 Scharr 的优化目标函数里,给中心行更大的权重可以更好地逼近理想导数滤波器的频域响应。

旋转等变性对比

理想旋转不变核
圆对称响应

Sobel 3×3
方形响应,对角衰减

Scharr 3×3
更接近圆形响应

在 OpenCV 中,当你调用 cv2.Sobel 并把 ksize=-1 时,它内部就会自动切换到 Scharr 核。这是一个很多人不知道的小秘密。

关键点:Scharr 证明了在 3×3 的硬约束下,他的核是最优的旋转等变近似。如果你需要更大的核(如 5×5),那就得用更复杂的方案,但在“快且准”的权衡点上,Scharr 是 3×3 的王者。


2.5.1.3 梯度幅值(magnitude)与方向角(angle)的 cartToPolar

现在我们已经了解了 Gx 和 Gy 的计算。 但单独看两个分量,就像只看地图的经度和纬度,不知道实际距离和方位。我们需要把它们合成一个梯度幅值和一个方向角。

幅值:两种度量方式

如果你学过向量,幅值就是欧几里得长度:

|∇I| = sqrt(Gx2 + Gy2)

这叫 L2 范数。但开方计算很贵。在资源受限的场景(比如嵌入式),我们用 L1 范数近似:

|∇I| ≈ |Gx| + |Gy|

OpenCV 的 cv2.Canny 里有一个 L2gradient 参数,默认 False(用 L1),设为 True 就用 L2。精度 vs 速度,你自己选。

方向角:从笛卡尔到极坐标

方向角 θ = arctan2(Gy, Gx)。注意是 arctan2,不是普通 arctan,因为它能正确处理四个象限的符号组合。

cartToPolar 示意

True

False

Gx, Gy
笛卡尔分量

L2gradient?

Magnitude = sqrt(Gx2+Gy2)
L2 范数

Magnitude = |Gx|+|Gy|
L1 范数

Angle = atan2(Gy,Gx)
0 ~ 360° 或 0 ~ 180°

梯度向量场
幅值+方向

OpenCV 的 cv2.cartToPolar 函数一次性把两个矩阵 Gx、Gy 转换成幅值和角度矩阵。在 Canny 算法里,这个角度矩阵接下来会用于非极大值抑制——只有沿着边缘法线方向的局部最大值才被保留。

结构化伪代码:梯度合成

Algorithm ComputeGradientField
Input:  水平梯度 Gx[0..H-1][0..W-1], 垂直梯度 Gy[0..H-1][0..W-1]
        useL2 ∈ {True, False}
Output: 幅值 Mag[0..H-1][0..W-1], 角度 Ang[0..H-1][0..W-1]

for r ← 0 to H-1 do
    for c ← 0 to W-1 do
        if useL2 then
            Mag[r][c] ← sqrt( Gx[r][c]<sup>2</sup> + Gy[r][c]<sup>2</sup> )
        else
            Mag[r][c] ← |Gx[r][c]| + |Gy[r][c]|
        end
        Ang[r][c] ← atan2( Gy[r][c], Gx[r][c] ) × (180/π)
        // OpenCV 中角度通常映射到 [0, 180) 或 [0, 360)
        if Ang[r][c] < 0 then
            Ang[r][c] ← Ang[r][c] + 180
        end
    end
end

2.5.2 二阶微分算子:寻找“屋顶”与“谷底”

在继续之前,我们先停一下。 一阶导数找的是“斜坡”,但斜坡的顶点(屋顶)在哪里?一阶导数在屋顶处是零!所以我们需要二阶导数——它测量的是“斜率的变化率”。

想象你开车上坡:一阶导数是车速,二阶导数是油门/刹车的力度。当二阶导数从正变负,意味着你松了油门开始刹车——这就是坡顶。

2.5.2.1 Laplacian 的 4/8 邻域离散模板与零交叉检测

从一维到二维的直觉

一维的二阶差分很简单:

f’'(x) ≈ f(x-1) - 2f(x) + f(x+1)

二维呢?Laplacian 定义为:

∇2I = ∂2I/∂x2 + ∂2I/∂y2

也就是两个方向的二阶导数之和。离散化后有两种常见模板:

4-邻域(十字形):

[ 0  1  0]
[ 1 -4  1]
[ 0  1  0]

8-邻域(方形):

[ 1  1  1]
[ 1 -8  1]
[ 1  1  1]

Laplacian 模板对比

4-邻域模板
只考虑上下左右
对角线权重为0

响应: I上+I下+I左+I右 - 4·I中心

8-邻域模板
考虑所有8个邻居
对角线权重为1

响应: Σ8邻域Ii - 8·I中心

4-邻域对轴对齐的边缘更敏感,8-邻域对各方向更均衡。OpenCV 的 cv2.Laplacian 通过 ksize 参数选择内部使用的 Sobel 核大小,间接影响离散方式。

零交叉检测:从正负号找边缘

Laplacian 有一个美妙的性质:在边缘中心处,它从正变负(或反之),穿过零点。这叫做零交叉(Zero-Crossing)。所以检测边缘不需要阈值化幅值,只需要找符号变化的像素对。

但等等——二阶导数对噪声极其敏感。原始 Laplacian 直接用在噪声图像上,你会得到满屏的零交叉。这就是为什么我们需要先平滑,再求二阶导数。

结构化伪代码:零交叉检测

Algorithm ZeroCrossingEdgeDetect
Input:  Laplacian 响应图 L[0..H-1][0..W-1]
Output: 边缘图 E[0..H-1][0..W-1] ∈ {0, 255}

for r ← 1 to H-2 do
    for c ← 1 to W-2 do
        // 检查水平方向零交叉
        if L[r][c] · L[r][c+1] < 0 then
            E[r][c] ← 255
        // 检查垂直方向零交叉
        else if L[r][c] · L[r+1][c] < 0 then
            E[r][c] ← 255
        // 检查对角线(可选)
        else if L[r][c] · L[r+1][c+1] < 0 then
            E[r][c] ← 255
        else
            E[r][c] ← 0
        end
    end
end

2.5.2.2 LoG(高斯拉普拉斯)的尺度选择与 Blob 检测

别急,我们先解决噪声问题。 既然 Laplacian 怕噪声,而高斯平滑能去噪,那把两者结合呢?

LoG = Laplacian of Gaussian。先对图像做高斯平滑,再求 Laplacian。数学上有一个美妙的交换律:

∇2(Gσ ∗ I) = (∇2Gσ) ∗ I

也就是说,你可以先计算出 LoG 滤波器核(一个看起来像墨西哥帽的函数),然后直接与图像卷积。

高斯核 Gσ
钟形曲线

求二阶导
∇2Gσ

LoG 核
墨西哥帽形状

与图像卷积
检测 Blob

尺度选择:Blob 的大小由 σ 决定

这是 LoG 最迷人的地方。一个半径为 r 的圆形亮斑(Blob),在 LoG 响应的尺度空间中,当 σ ≈ r/√2 时产生最强响应。反过来,如果你在多个 σ 上计算 LoG,然后在三维空间 (x, y, σ) 中寻找局部极大值,你不仅找到了 Blob 的中心,还知道了它的半径!

LoG 尺度空间

σ = 1
检测小 Blob

σ = 2
检测中 Blob

σ = 4
检测大 Blob

三维尺度空间
(x, y, σ)

局部极大值
Blob 中心 + 半径

尺度归一化:但这里有个陷阱。如果不加处理,LoG 的响应幅值会随着 σ 增大而衰减(因为高斯在摊平)。为了公平比较不同尺度的响应,必须乘以 σ2 进行归一化:

∇norm2 = σ2 · ∇2Gσ

这在 SIFT 论文(Lowe, 2004)和 Lindeberg 的尺度空间理论中被严格证明。


2.5.2.3 DoG(差分高斯)作为 LoG 的快速近似与尺度归一化

现在我们已经了解了 LoG 的原理。 但计算二阶导数的高斯核,再与图像卷积,在多个尺度上重复,计算量很大。有没有更快的办法?

有。DoG = Difference of Gaussians。数学上,两个不同尺度高斯的差分,近似等于 LoG:

G(x,y,σ1) - G(x,y,σ2) ≈ (σ2 - σ1) · ∇2G(x,y,σ)

其中 σ ≈ sqrt(σ1·σ2)。特别地,当 σ2/σ1 = 1.6 时,这个近似非常接近。

DoG 近似原理

高斯模糊 σ1
较锐

逐像素相减

高斯模糊 σ2
较糊
σ2 ≈ 1.6·σ1

DoG 响应
≈ LoG 响应

为什么 DoG 更快?

因为高斯模糊本身可以通过可分离核快速计算,而且图像金字塔(Image Pyramid)中相邻层的高斯模糊结果可以直接相减,几乎零额外开销。SIFT 特征检测就是建立在 DoG 金字塔之上的。

尺度归一化:DoG 也需要归一化。由于 DoG ∝ σ·dσ·∇2G,为了与 σ2·∇2G 对应,通常需要对 DoG 响应乘以适当的尺度因子,或者直接在构建金字塔时通过连续层差分保持响应量级一致。

结构化伪代码:DoG Blob 检测

Algorithm DoGBlobDetection
Input:  图像 I, 最小尺度 σ<sub>0</sub>, 尺度层数 n, 每尺度层数 s
Output: Blob 列表 B = {(x, y, σ, response)}

// 构建高斯金字塔
for o ← 0 to n-1 do
    // 八度 octave
    σ ← σ<sub>0</sub> · 2<sup>o</sup>
    for i ← 0 to s do
        σ<sub>i</sub> ← σ · k<sup>i</sup>   // k = 2<sup>1/s</sup>
        G[o][i] ← GaussianBlur(I<sub>octave</sub>, σ<sub>i</sub>)
    end
end

// 计算 DoG 金字塔
for o ← 0 to n-1 do
    for i ← 0 to s-1 do
        DoG[o][i] ← G[o][i+1] - G[o][i]
    end
end

// 三维局部极大值搜索
for o ← 0 to n-1 do
    for i ← 1 to s-2 do
        for r ← 1 to H-2 do
            for c ← 1 to W-2 do
                v ← DoG[o][i][r][c]
                if v > threshold && v 是 26-邻域局部极大值 then
                    // 26-邻域 = 同层8邻域 + 上下层各9邻域
                    σ<sub>blob</sub> ← σ<sub>0</sub> · 2<sup>o</sup> · k<sup>i</sup>
                    B ← B ∪ {(c, r, σ<sub>blob</sub>, v)}
                end
            end
        end
    end
end

2.5.3 Canny 边缘检测器:工业级的精密流水线

在继续之前,让我们回顾一下。 Sobel 给了我们粗放的边缘,Laplacian 给了零交叉,但它们都有问题:噪声敏感、边缘粗厚、断点多。1986 年,John Canny 提出了一套多步骤的检测框架,至今仍是边缘检测的“黄金标准”。

Canny 的核心思想可以概括为:先平滑,再求梯度,然后只保留脊线上的点,最后用双阈值决定谁是真边缘。

灰度图像

Step 1
高斯平滑
σ 选择

Step 2
Sobel/Scharr
梯度计算

Step 3
非极大值抑制
NMS

Step 4
双阈值
滞后阈值化

Step 5
边缘追踪
连通弱边缘

单像素宽
连续边缘图


2.5.3.1 高斯平滑的噪声预处理与 σ 选择

第一步:降噪。 Canny 的第一步永远是用高斯核与图像卷积。但 σ 选多大?

  • σ 太小:平滑不够,噪声残留,边缘出现“毛刺”。
  • σ 太大:过度平滑,边缘被抹平,角点变圆,细节丢失。

σ 的影响

σ = 0.5
噪声保留
边缘锐利但毛糙

权衡

σ = 1.0 ~ 1.4
平衡区
推荐默认值

σ = 3.0
过度平滑
边缘位移 + 丢失

边缘定位精度
vs
噪声抑制

在 OpenCV 的 cv2.Canny 中,高斯平滑的 σ 实际上由 apertureSize 间接控制(见 2.5.3.4)。Canny 原始论文建议 σ = 1.4 是一个不错的起点。如果你处理的是医学影像或天文图像,可能需要根据噪声模型重新估计。


2.5.3.2 梯度计算与非极大值抑制(NMS)的插值细化

第二步和第三步:找到“脊线”。 梯度幅值图就像一座山脉,边缘是山脊。但 Sobel 给出的山脊有宽度——可能 2~3 个像素厚。NMS 的任务是:把山脊削成单像素宽的刀刃。

NMS 的核心逻辑

对于每个像素,我们看它的梯度方向(法线方向),然后比较它在这个方向上的两个邻居。如果它不是局部最大值,就抑制为 0。

NMS 插值细化

是

否

当前像素 P
梯度方向 θ

沿 θ 方向
找两个插值点
Q1, Q2

Mag(P) > Mag(Q1)
且
Mag(P) > Mag(Q2)?

保留 P
作为候选边缘

抑制 P
设为 0

插值 vs 量化

Canny 原始论文为了速度,把梯度方向量化到 0°、45°、90°、135° 四个方向,直接用邻域像素比较。但 OpenCV 的实现更精细:它使用线性插值计算亚像素位置的梯度幅值,这样即使边缘方向是 23°,也能准确比较。

想象你站在山脊上,梯度方向是 23°。你的“前后”两个点不在整数像素上,而在 (c+0.4, r-0.2) 这样的位置。OpenCV 用双线性插值从周围四个像素算出这两个虚拟点的幅值,再与你比较。这就是 cv2.Canny 精度高的秘密之一。

结构化伪代码:插值 NMS

Algorithm NonMaxSuppression
Input:  幅值 Mag[0..H-1][0..W-1], 角度 Ang[0..H-1][0..W-1]
Output: 细化边缘图 NMS[0..H-1][0..W-1]

for r ← 1 to H-2 do
    for c ← 1 to W-2 do
        θ ← Ang[r][c]
        // 将角度映射到 [0, 180),因为边缘方向无正负
        if θ < 0 then θ ← θ + 180 end

        // 确定插值方向向量 (dx, dy)
        if (0 ≤ θ < 22.5) or (157.5 ≤ θ ≤ 180) then
            // 水平边缘,法线近似水平
            dx₁ ← 1,  dy₁ ← 0
            dx₂ ← -1, dy₂ ← 0
        else if (22.5 ≤ θ < 67.5) then
            // 对角线边缘
            dx₁ ← 1,  dy₁ ← -1
            dx₂ ← -1, dy₂ ← 1
        else if (67.5 ≤ θ < 112.5) then
            // 垂直边缘
            dx₁ ← 0,  dy₁ ← -1
            dx₂ ← 0,  dy₂ ← 1
        else
            // 另一对角线
            dx₁ ← 1,  dy₁ ← 1
            dx₂ ← -1, dy₂ ← -1
        end

        // 亚像素插值(简化版:可用双线性插值更精确)
        mag₁ ← InterpolateMag(Mag, c+dx₁, r+dy₁, θ)
        mag₂ ← InterpolateMag(Mag, c+dx₂, r+dy₂, θ)

        if Mag[r][c] ≥ mag₁ && Mag[r][c] ≥ mag₂ then
            NMS[r][c] ← Mag[r][c]
        else
            NMS[r][c] ← 0
        end
    end
end

function InterpolateMag(Mag, x, y, θ)
    // 双线性插值获取亚像素幅值
    x₀ ← floor(x), y₀ ← floor(y)
    x₁ ← x₀ + 1,   y₁ ← y₀ + 1
    α ← x - x₀,    β ← y - y₀
    return (1-α)(1-β)·Mag[y₀][x₀] + α(1-β)·Mag[y₀][x₁]
         + (1-α)β·Mag[y₁][x₀]     + αβ·Mag[y₁][x₁]
end

2.5.3.3 双阈值滞后阈值化与弱边缘连接(边缘追踪)

第四步和第五步:决定生死。 NMS 之后,我们得到了一幅“候选边缘”图,幅值从 0 到某个最大值。现在要用两个阈值把它们分成三类:

  • 强边缘(Strong):幅值 > 高阈值 Thigh。这是铁定无疑的边缘。
  • 弱边缘(Weak):Tlow < 幅值 ≤ Thigh。这可能是边缘,也可能是噪声。
  • 非边缘(Non-edge):幅值 ≤ Tlow。直接丢弃。

滞后阈值化状态机

是

否

是

否

是

否

候选边缘像素
NMS 输出

幅值 > Thigh?

强边缘
保留,作为种子

幅值 > Tlow?

弱边缘
待定

非边缘
丢弃

与强边缘
8-连通?

提升为强边缘
递归传播

边缘追踪:连通性分析

弱边缘的命运不由自己决定,而由邻居决定。如果它通过 8-邻域连接到一个强边缘,它就被“拯救”为强边缘;否则被抛弃。这个过程可以递归传播:一个新被拯救的弱边缘,又可以拯救它旁边的弱边缘。

这就像一个“边缘种子”的生长过程。高阈值保证只有最可靠的点能成为种子,低阈值允许种子向不那么确定的区域延伸,填补断裂。

结构化伪代码:滞后阈值化与边缘追踪

Algorithm HysteresisThresholding
Input:  NMS 幅值图 Mag[0..H-1][0..W-1], 阈值 T<sub>low</sub>, T<sub>high</sub>
Output: 二值边缘图 Edge[0..H-1][0..W-1] ∈ {0, 1}

// 第一步:初始化标签
for each pixel p do
    if Mag[p] > T<sub>high</sub> then
        Label[p] ← STRONG
    else if Mag[p] > T<sub>low</sub> then
        Label[p] ← WEAK
    else
        Label[p] ← NONEDGE
    end
end

// 第二步:BFS/DFS 边缘追踪
Queue ← ∅
for each pixel p do
    if Label[p] == STRONG then
        Edge[p] ← 1
        Queue.enqueue(p)
    end
end

while Queue ≠ ∅ do
    p ← Queue.dequeue()
    for each neighbor q ∈ N<sub>8</sub>(p) do
        if Label[q] == WEAK && Edge[q] == 0 then
            Edge[q] ← 1
            Label[q] ← STRONG   // 提升为强边缘,继续传播
            Queue.enqueue(q)
        end
    end
end

// 剩余未被访问的 WEAK 全部丢弃
for each pixel p do
    if Label[p] == WEAK then
        Edge[p] ← 0
    end
end

2.5.3.4 apertureSize 与 L2gradient 参数对精度的影响

现在我们已经了解了 Canny 的内部流程。 但 OpenCV 的 cv2.Canny 接口里有两个容易忽视的关键参数:apertureSize 和 L2gradient。

apertureSize:梯度算子的“视野”

apertureSize 默认是 3,对应 3×3 的 Sobel/Scharr 核。你可以设为 5 或 7,使用更大的 Sobel 核。

  • apertureSize=3:对细边缘敏感,但噪声可能引入假边缘。
  • apertureSize=5/7:梯度计算更稳定,能抑制高频噪声,但边缘定位会有轻微偏移,细边缘可能丢失。

apertureSize=3
Sobel/Scharr 3×3
精细但易受噪

精度权衡

apertureSize=5/7
大核 Sobel
稳定但粗定位

Canny 最终边缘质量

注意:OpenCV 中 apertureSize 必须是 3、5、7 的奇数。当设为 -1 时,内部使用 Scharr 核(因为 Scharr 只有 3×3)。

L2gradient:幅值计算的精度

前面 2.5.1.3 讲过,L2gradient=True 使用 sqrt(Gx2+Gy2),False 使用 |Gx|+|Gy|。

  • True:幅值是真实的欧几里得长度,阈值设置更物理化(可直接对应梯度强度)。推荐在需要精确控制阈值时使用。
  • False:速度快约 20%~30%,但 L1 范数会系统性地低估对角线边缘的幅值(因为 |1|+|1| = 2,而 sqrt(2) ≈ 1.414,等等,实际上 L1 是高估?不,对于单位向量 (0.707, 0.707),L2=1,L1=1.414,所以 L1 高估了。这意味着用 L1 时,对角边缘更容易超过阈值)。

实际建议:默认 False 足够好;如果你发现 45° 边缘总是比水平边缘粗,试试设为 True。


2.5.4 亚像素与边缘细化:当像素网格太粗糙时

现在我们已经了解了像素级的边缘检测。 但在精密测量领域(如工业视觉、医学影像),像素级精度往往不够。一个边缘的真实位置可能落在两个像素之间。我们怎么找到它?

2.5.4.1 cornerSubPix 的迭代精化与终止条件

cornerSubPix 不只是用于角点! 虽然名字里有 “corner”,但它的数学本质是基于图像梯度向量的迭代精化,可以用于任何特征点的亚像素定位,包括边缘上的强响应点。

核心思想:灰度重心法

想象一个 3×3 或 5×5 的小窗口,中心是我们初步检测到的角点/边缘点 (x0, y0)。窗口内的像素灰度可以看作“质量分布”。灰度重心就是质量的中心:

x* = Σ(Ii · xi) / Σ(Ii)
y* = Σ(Ii · yi) / Σ(Ii)

但这个简单公式假设灰度越亮越重,而边缘的特点是:边缘一侧亮,一侧暗。所以 OpenCV 的 cornerSubPix 使用更精巧的方法:它寻找一个小窗口,使得窗口内所有点的梯度向量都指向同一个中心。数学上,这等价于求解一个最小二乘问题。

cornerSubPix 迭代

否

否

是

是

初始像素坐标
(x0, y0)

提取邻域窗口
winSize

计算梯度向量场

梯度是否指向中心?

求解位移向量
Δx, Δy

||Δ|| < epsilon
或
迭代 > maxIter?

亚像素坐标
(x0+ΣΔ, y0+ΣΔ)

终止条件

OpenCV 的 cornerSubPix 有两个终止条件:

  1. 精度条件(epsilon):当本次迭代位移小于 epsilon(如 0.001 像素)时停止。
  2. 最大迭代次数(maxIter):防止死循环,通常设 30~100。

调用参数:winSize 定义搜索窗口的一半大小。如果设 (5,5),实际窗口是 11×11。窗口太小,噪声影响大;窗口太大,计算慢且可能包含无关结构。


2.5.4.2 边缘点的灰度重心法与曲线拟合定位

我们继续探索亚像素边缘定位。 除了 cornerSubPix 的梯度指向法,还有两种经典方法:

方法一:灰度重心法(Intensity Centroid)

假设我们沿着边缘法线方向(由 Canny 的梯度方向给出)取一维灰度剖面。边缘处灰度从暗跳变到亮。这个剖面像一个阶梯函数。如果我们对剖面求导,会得到一个峰形响应。这个峰形的重心,就是亚像素边缘位置。

灰度重心定位

沿法线方向
一维灰度剖面

计算导数/响应峰

峰形重心
xc = Σxi·wi / Σwi
wi 可为幅值或灰度差

亚像素边缘坐标

权重 wi 可以是:

  • 梯度幅值(响应越强,权重越大)
  • 灰度值的绝对差(|Ii - mean|)
方法二:曲线拟合法(Parabolic / Gaussian Fitting)

如果我们把一维剖面上的响应峰看作离散采样,可以用抛物线拟合或高斯拟合来找出真正的峰顶。

抛物线拟合(用峰顶及左右两个像素):

假设三个点的响应为 y-1, y0, y1,拟合 y = ax2 + bx + c。峰顶偏移:

δ = (y-1 - y1) / (2·(y-11 - 2·y0 + y1))

然后亚像素位置 = x0 + δ。

曲线拟合

离散响应点
(x-1, y-1), (x0, y0), (x1, y1)

抛物线 y=ax2+bx+c

解析峰顶
δ = (y-1-y1)/(2(y-1-2y0+y1))

亚像素修正
xsub = x0 + δ

高斯拟合更复杂,但在噪声较大时更稳定,因为高斯模型更符合光学系统的点扩散函数(PSF)。

结构化伪代码:抛物线亚像素精化

Algorithm ParabolicEdgeRefinement
Input:  候选边缘点 (x<sub>0</sub>, y<sub>0</sub>), 梯度方向 θ, 幅值图 Mag
Output: 亚像素坐标 (x<sub>sub</sub>, y<sub>sub</sub>)

// 沿梯度法线方向取三个点
// 法线方向即梯度方向 θ
for i ← -1 to 1 do
    // 亚像素采样位置
    x<sub>i</sub> ← x<sub>0</sub> + i·cos(θ)
    y<sub>i</sub> ← y<sub>0</sub> + i·sin(θ)
    // 双线性插值获取幅值
    y[i] ← BilinearInterpolate(Mag, x<sub>i</sub>, y<sub>i</sub>)
end

den ← y[-1] - 2·y[0] + y[1]
if |den| < epsilon then
    δ ← 0   // 太平坦,无法精化
else
    δ ← (y[-1] - y[1]) / (2 · den)
end

// 限制 δ 在 [-0.5, 0.5] 像素内,防止异常
δ ← clamp(δ, -0.5, 0.5)

x<sub>sub</sub> ← x<sub>0</sub> + δ · cos(θ)
y<sub>sub</sub> ← y<sub>0</sub> + δ · sin(θ)

附录:fastNlMeansDenoising 的多通道实现与参数模板

在结束之前,我们绕回预处理环节。 边缘检测的质量严重依赖预处理去噪。高斯平滑虽然快,但它会模糊边缘。有没有一种去噪方法,能在去除噪声的同时,保留甚至增强边缘?非局部均值(Non-Local Means, NLM)就是这样一种方法。

核心思想:图像的自相似性

传统滤波(高斯、中值)只看一个像素的局部邻域。但 NLM 的洞察是:图像中有大量重复的结构。一个像素的去噪值,可以由全图中所有与它“长得像”的像素加权平均得到。

NLM 自相似性

当前像素 P
模板 patch 7×7

在搜索窗口 21×21 内
比较所有 patch

相似度高的 patch
权重 wi 大

相似度低的 patch
权重 wi ≈ 0

加权平均
Pdenoised = Σwi·Qi / Σwi

多通道实现策略

OpenCV 提供了四个变体:

  1. fastNlMeansDenoising:单通道(灰度)。直接对强度做 NLM。
  2. fastNlMeansDenoisingColored:彩色图像。 trick 在于——人眼对亮度噪声更敏感,对色度噪声较不敏感。所以 OpenCV 把图像转到 CIELAB 颜色空间,然后:
    • L 通道(亮度):用较小的 h 参数精细去噪。
    • AB 通道(色度):用较大的 hcolor 参数强力去噪,避免色度噪点。
  3. fastNlMeansDenoisingMulti:多帧灰度。利用时间维度!如果有一段视频或连拍图像,同一位置的真实信号应该稳定,而噪声是随机的。NLM 把前后帧的对应 patch 也纳入搜索范围,信噪比提升巨大。
  4. fastNlMeansDenoisingColoredMulti:多帧彩色。结合上述两者,时间+空间+颜色空间分离。

多通道 NLM 架构

输入彩色图像
RGB/BGR

颜色空间转换
→ CIELAB

L 通道
fastNlMeansDenoising
h = 3~10

AB 通道
fastNlMeansDenoising
hcolor = 10~30

合并通道
→ RGB

去噪后图像
边缘保留

参数模板与调参指南

参数含义推荐值边缘检测场景建议
h滤波强度(亮度)3~10如果后续用 Canny,h 可以稍大(8~10),确保噪声不形成假边缘
hColor滤波强度(色度)10~30色度通道可以激进,因为人眼不敏感
templateWindowSizePatch 大小7奇数。太小则相似度估计不准,太大则边缘被平均
searchWindowSize搜索范围21奇数。决定计算量线性增长。实时应用可降为 11
temporalWindowSize时间窗(Multi 版)3~5视频去噪用 5,医学序列用 3

关键洞察:NLM 的 h 参数与 Canny 的阈值是耦合的。如果 NLM 去噪过度(h 太大),边缘会变圆角,Canny 检测出的位置会内缩;如果 NLM 去噪不足(h 太小),Canny 的低阈值会引入大量噪声边缘。建议在具体数据集上做网格搜索(grid search)找最优组合。


闭环总结:这一切在训练/实际使用中意味着什么?

好了,我们已经走完了从噪声图像到亚像素边缘的完整旅程。 让我们把散落的珠子串起来:

  1. 预处理不是可选的:fastNlMeansDenoisingColored 在 CIELAB 空间的分离去噪,是保留边缘的前提下抑制噪声的最佳实践。不要无脑用高斯模糊。
  2. 一阶 vs 二阶的选择:
    • 如果你只需要快速找出“哪里有变化”,Scharr(ksize=-1)+ cartToPolar 是最快路径。
    • 如果你需要检测不同大小的圆斑/Blob,DoG 金字塔(cv2.SIFT 底层逻辑)是标准方案。
    • 如果你需要单像素宽的精确轮廓,Canny 仍是首选。
  3. Canny 的参数是物理的:apertureSize 决定梯度视野,L2gradient 决定幅值度量,threshold1/2 决定边缘置信度。不要把它们当作魔法数字,而应根据图像的信噪比和边缘尺度来调。
  4. 亚像素是免费的精度提升:在 Canny 检测后,对强边缘点用 cornerSubPix 或抛物线拟合做精化,往往能把测量精度从 ±1 像素提升到 ±0.1 像素,而计算代价极小。

延伸阅读:

  • J. Canny, “A Computational Approach to Edge Detection,” IEEE TPAMI, 1986.(Canny 原始论文,必读)
  • T. Lindeberg, “Scale-Space Theory in Computer Vision,” Springer, 1994.(尺度空间圣经)
  • D. G. Lowe, “Distinctive Image Features from Scale-Invariant Keypoints,” IJCV, 2004.(SIFT/DoG 经典)
  • A. Buades et al., “A Non-Local Algorithm for Image Denoising,” CVPR, 2005.(NLM 原始论文)
  • H. Scharr, “Optimal Filters for Extended Optical Flow,” Pattern Recognition, 2000.(Scharr 核优化)

写在最后:边缘检测不是“调包”那么简单。当你理解了 Sobel 的可分离性如何节省计算量,理解了 NMS 的插值如何决定边缘是否断裂,理解了双阈值如何像种子一样生长出完整轮廓,你就能在面对任何计算机视觉任务时,做出有理有据的算法选择。我们下次见。

基于OpenCV的图像梯度与边缘检测研究 标题:基于OpenCV的图像梯度与边缘检测研究内容:1.摘要 本研究旨在系统探究基于OpenCV库的图像梯度计算与边缘检测算法的性能表现与适用边界。通过在COCO-Val子集(含1000幅自然场景图像)和自建工业缺陷图像数据集(327幅高对比度灰度图)上,对Sobel、Scharr、Laplacian及Canny四种主流方法进行定量评估,采用F1-score、平均精度(AP@0.5)和边缘定位误差(EPE,单位:像素)作为核心指标。实验结果表明:Canny算子在综合边缘完整性与噪声抑制方面最优,平均F1-s 阅读详情

相关推荐

OpenCV—图像梯度与Canny边缘检测

© Fu Xianjun. All Rights Reserved. 文章目录一、Sobel算子[cv2.Sobel()]1、方向例题2、自适应阈值[cv2.adaptiveThreshold()] 一、Sobel算子[cv2.Sobel()] Sobel 算子是一种离散的微分算子,该算子结合了高斯平滑和微分求导运算。该算子利用局部差分寻找边缘,计算所得的是一个梯度的近似值。 语法形式: dst=cv2.Sobel(src, ddepth, dx, dy[, ksize[, scale[, delta[,

weixin_57397022的博客 530

cartToPolar Opencv

cartToPolarn opencv

博客 1048

实战OpenCV之边缘检测

边缘检测是计算机视觉和图像处理中的一个重要环节,可以帮助我们识别图像中的对象边界或区域,这对于后续的特征提取、图像分割等任务至关重要。边缘检测的目的是:标识数字图像中亮度变化明显的点。这些变化通常反映的是图像中的重要事件,比如:深度的不连续、表面方向的不连续、材质属性的变化、或场景照明的变化。边缘检测可以显著减少数据量,并且剔除不相关的信息,保留图像的重要结构属性。

hope_wisdom的技术博客 1626

基于C++的OpenCV常用函数

C++版本的好处: 1、在于可以尽量避免使用指针这种危险的东西; 2、不用费心去release资源了,因为在其destructor里面,系统会自动帮你搞定。 3、在某些情况下会比C版本运行速度快。 在文件中包含 using namespace cv;   1.        imread(cvLoadImage):loads an image from a file; 2.

网络资源是无限的 1万+

网格聚类 Grid Clustering/Grid-based Clustering

本文主要简单介绍了网格聚类的基本概念,优缺点,应用场景,建模时的注意事项,评价指标,实现方法,python示例和模型参数等。

JasonH2021的博客 4829

microblaze之Video Processing Subsystem调试误区

内容:总结video processing subsystem调试中遇到的问题,以及在解决问题中的思路方法论,引为前车之鉴。 1,我的目的是希望采用vps中的scaler模块对图像进行拉伸缩小。IP的配置如下: 2,整个系统的框架图如下,仅比上期的内容增加了scaler模块,如下: 3,查手册,可以知道这个scaler only组件分成了hscale,vscale和GPIO,其中GPIO是控制上下游stream流控设备复位用,暂时忽略。 hscale和vscale的寄存器空间如下,主要关注图

YDY5659150的专栏 3557

opencv中矩阵计算的一些函数

转自:http://blog.sina.com.cn/s/blog_7908e1290101i97z.html 综述: OpenCV有针对矩阵操作的C语言函数. 许多其他方法提供了更加方便的C++接口,其效率与OpenCV一样. OpenCV将向量作为1维矩阵处理. 矩阵按行存储,每行有4字节的校整. //由于opencv的矩阵式一位数组或者一位指针,所以我们只能利用open...

weixin_30247159的博客 736

SpringBoot与Flowable整合:构建高效审批工作流的实战指南

本文是一份SpringBoot与Flowable整合构建高效审批工作流的实战指南。通过一个经典的二级审批场景,详细介绍了从项目搭建、BPMN流程设计、核心服务编写到RESTful API构建的完整步骤。文章深入探讨了如何利用Flowable工作流引擎实现审批流程的自动化驱动与灵活管理,并分享了变量管理、监听器、异步执行等进阶技巧与常见避坑指南,帮助开发者快速构建健壮、可维护的企业级审批系统。

qsc9012345的博客 524

OpenCV——Canny边缘检测(cv2.Canny())

Canny边缘检测 Canny 边缘检测是一种使用多级边缘检测算法检测边缘的方法。1986 年,John F. Canny 发 表了著名的论文 A Computational Approach to Edge Detection,在该论文中详述了如何进行边缘 检测。 Canny()边缘检测步骤 Canny 边缘检测分为如下几个步骤: 步骤 1:去噪。噪声会影响边缘检测的准确性,因此首先要将噪声过滤掉。 步骤 2:计算梯度的幅度与方向。 步骤 3:非极大值抑制,即适当地让边缘“变瘦”。 步骤 4:确定边缘。使

m0_51402531的博客 12万+

HHD Device Monitoring Studio:破解版在串口调试中的实战应用

本文详细介绍了HHD Device Monitoring Studio破解版在串口调试中的实战应用,包括安装指南、串口监控功能解析、Modbus RTU协议分析案例以及自定义协议解析技巧。通过具体操作步骤和性能优化建议,帮助开发者高效完成端口监控和调试任务,提升工作效率。

weixin_29268331的博客 950

项目报告:基于Sentaurus TCAD的多沟道长度NMOS器件仿真、SPICE模型提取与环形振荡器电路验证

本项目基于Sentaurus TCAD工具,完成了从器件仿真到电路验证的全流程研究。首先构建了45nm、65nm和90nm三种沟道长度的NMOS器件,通过TCAD仿真分析了其电学特性,观察到明显的短沟道效应。随后提取了BSIM4 SPICE模型参数,并生成Hspice可用的模型文件。最后利用该模型设计了11级环形振荡器进行电路验证,证明了模型的实用性。研究结果表明,随着沟道长度缩短,器件性能虽有所提升,但短沟道效应导致关态电流显著增加,影响整体能效。本项目为纳米尺度MOSFET的建模与电路设计提供了完整的技

huanghm88的专栏 288

OpenCV中的图像处理 —— 图像梯度+Canny边缘检测+图像金字塔

OpenCV中的图像处理 —— 图像梯度+Canny边缘检测+图像金字塔 目录OpenCV中的图像处理 —— 图像梯度+Canny边缘检测+图像金字塔1. 图像梯度1.1 Sobel和Scharr算子1.2 Laplacian算子2. Canny边缘检测2.1 多阶段的Canny边缘检测算法2.2 OpenCV中的Canny Edge检测 1. 图像梯度 首先我们来看看什么是图像梯度:图像梯度可以把图像看作二维离散函数,图像梯度就是这个二维函数的求导,图像边缘一般都是通过对图像进行梯度运算来

小菜鸡的小博客 1万+

C#里用HttpListener实现WEB API接口服务端

本文介绍了一个基于WinForm的HTTP服务实现方案。该方案使用HttpListener类创建了一个支持JSON POST请求处理的轻量级Web服务器,主要特点包括:1) 纯线程方式实现请求监听和处理;2) 提供标准化的JSON响应格式;3) 支持自定义请求处理逻辑;4) 包含完整的日志记录功能。代码示例展示了如何初始化服务、处理不同类型的请求(包括JSON POST),并提供了线程安全的UI更新机制。该实现适用于需要简单HTTP接口的Windows桌面应用程序,可作为程序间通信的基础设施。

大坡3D软件开发 232

第四章 OpenCV篇—图像梯度与边缘检测—Python

此章节主要讲解图像梯度计算方法和边缘检测算法,分别主要是:sobel算子、scharr与lapkacian算子、canny边缘检测流程。

2403_88453964的博客 2974

SAP_MM模块-服务类采购详细讲解案例

SAP_MM模块服务类采购订单配置及业务测试案例详解,包括前台业务操作、后台配置以及使用过程中的问题处理

风沙的博客 5128

Modbus协议学习第一篇之基础概念

因工作需要而接触Modbus,正在恶补知识,利用博客的方式来加深理解和记忆,同时希望同行大佬能一起交流。

hzf978742221的博客 883

opencv:从图像梯度计算到边缘检测

图像梯度是描述图像亮度变化率与方向的重要概念,由水平(Gx)和垂直(Gy)分量构成,其幅值反映变化强度,方向垂直于边缘。OpenCV通过Sobel、Scharr等算子近似计算梯度,其中Sobel算子最常用,使用3x3卷积核分别计算x/y方向梯度。实际应用中需取绝对值处理负值,建议分开计算xy梯度再合并。此外还介绍了Scharr算子和Laplacian算子的特点,以及完整的Canny边缘检测流程(高斯滤波、梯度计算、非极大值抑制、双阈值检测)。OpenCV实现简洁,通过cv2.Sobel()和cv2

C语言、数据结构、单片机、嵌入式实时操作系统、C++ 学习路径记录 1783

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

基于OpenCV的图像梯度与边缘检测!

↑↑↑关注后"星标"Datawhale每日干货 &每月组队学习,不错过Datawhale干货作者:姚童,Datawhale优秀学习者,华北电力大学严格的说,...

Datawhale 2196

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

opencv图像的梯度处理,边缘检测

是因为经过第二步得到的边缘不经过处理是没办法使用的,因为高斯滤波的原因,边缘会变得模糊,导致经过第二步后得到的边缘像素点非常多,因此我们需要对其进行一些过滤操作,幅值处于最高像素与最低像素之间时,如果它能连接到一个高于阈值的边缘时,则被认为是边缘像素,否则就不会被认为是边缘。Canny 边缘检测算法是一种非常流行的边缘检测算法,是 John F. Canny 于 1986年提出的,被认为是最优的边缘检测算法。通过这个公式我们就可以计算出图片中所有的像素点的梯度值与梯度方向,然后根据梯度方向获取边缘的方向。

2401_87862479的博客 1324

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

opencv学习之梯度处理、边缘检测、轮廓生成、凸包生成

如果你还记得高数中用一阶导数来求极值的话,就很容易理解了:把图片想象成连续函数,因为边缘部分的像素值是与旁边像素明显有区别的,所以对图片局部求极值,就可以得到整幅图片的边缘信息了。不过图片是二维的离散函数,导数就变成了差分,这个差分就称为图像的梯度。垂直卷积核的转置就是水平卷积核,运算同上例。filter2D函数是用于对图像进行二维卷积(滤波)操作。它允许自定义卷积核(kernel)来实现各种图像处理效果,如平滑、锐化、边缘检测等。

2301_82130976的博客 2139

opencv之图像梯度处理和边缘检测(四)

是因为经过第二步得到的边缘不经过处理是没办法使用的,因为高斯滤波的原因,边缘会变得模糊,导致经过第二步后得到的边缘像素点非常多,因此我们需要对其进行一些过滤操作,而非极大值抑制就是一个很好的方法,它会对得到的边缘像素进行一个排除,使边缘尽可能细一点。如果你还记得高数中用一阶导数来求极值的话,就很容易理解了:把图片想象成连续函数,因为边缘部分的像素值是与旁边像素明显有区别的,所以对图片局部求极值,就可以得到整幅图片的边缘信息了。不过图片是二维的离散函数,导数就变成了差分,这个差分就称为图像的梯度。

Hao_diedie的博客 2424

OpenCV学习笔记(七)——图像梯度及边缘检测

介绍了计算图像梯度和边缘检测的原理及函数。

简简单单的学习笔记,致力于帮助更多前进路上的朋友~ 6186

opencv 梯度幅值_基于OpenCV的图像梯度与边缘检测!

严格的说,梯度计算需要求导数。但是图像梯度的计算,是通过计算像素值的差得到梯度的近似值。图像梯度表示的是图像变化的速度,反映了图像的边缘信息。边缘是像素值快速变化的地方。所以对于图像的边缘部分,其灰度值变化较大,梯度值也较大;对于图像中较平滑的部分,其灰度值变化较小,梯度值也较小。为了检测边缘,我们需要检测图像中的不连续性,可以使用图像梯度来检测不连续性。但是,图像梯度也会受到噪声的影响,因此建议...

weixin_33260057的博客 2063

基于 OpenCV 的图像边缘检测与轮廓分析

本文介绍了图像处理中的边缘检测和轮廓分析方法。边缘检测部分详细讲解了Sobel、Scharr、Laplacian和Canny四种算子,包括原理、参数说明和代码实现。轮廓分析部分涵盖轮廓提取、绘制、特征计算(面积、周长)、排序筛选以及几何特征(外接圆/矩形)等操作,并介绍了轮廓近似方法以简化形状。通过示例代码展示了各算法的实际应用,帮助理解不同方法的特点和适用场景,为图像分析和计算机视觉任务提供了实用技术参考。

m0_72616498的博客 1807
上一篇: 【opencv高级教程】2.4 非线性滤波与边缘保留
下一篇: 【opencv高级教程】2.6 形态学运算
VectorShift
博客等级 码龄1年 1840粉丝 1109原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

VectorShift

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值