笔记分享 : OpenCV中的常用边缘检测算法

import cv2
import numpy as np 
from scipy import ndimage # 提供了基础的图像处理功能
# 3x3的卷积核，卷积核里的参数或权重加起来等于0
kernel_3x3 = np.array([[-1,-1,-1],[-1,6,-1],[-1,-1,-1]])
# 5x5的卷积核，卷积核里的参数或权重加起来等于0
kernel_5x5 = np.array( [[-1,-1,-1,-1,-1], 
                        [-1,1,2,1,-1],
                        [-1,2,4,2,-1], 
                       [-1,1,2,1,-1],
                       [-1,-1,-1,-1,-1]])
img = cv2.imread('02.jpg', cv2.IMREAD_GRAYSCALE) # 读取图片，灰度
k3 = ndimage.convolve(img, kernel_3x3) # 卷积运算
# 关于 ndimage.convolve()，参考: https://docs.scipy.org/doc/scipy-0.18.1/reference/generated/scipy.ndimage.convolve.html
k5 = ndimage.convolve(img, kernel_5x5)
blurred = cv2.GaussianBlur(img, (17,17), 0) # (17,17)高斯内核大小，标准差为0
hpf = img - blurred # HPF是一种算法，不需要深究
cv2.imshow('gray_img', img) # 原始灰度图
cv2.imshow('3x3', k3) # 经过3x3卷积后的图
cv2.imshow('5x5', k5) # 经过5x5卷积后的图
cv2.imshow('blurred', blurred) # 经过高斯运算后的图
cv2.imshow('hpf',hpf) # 经过HPS后的图
cv2.waitKey()
cv2.destroyAllWindows()

# Canny 算法
import cv2
import numpy as np 

img = cv2.imread('test.jpg', cv2.IMREAD_GRAYSCALE) # 读取图片，转换为灰度
cv2.imwrite('test_canny.jpg', cv2.Canny(img, 200, 300)) # Canny边缘检测，然后保存新图片
cv2.imshow('Canny', cv2.imread('test_canny.jpg')) # 显示新图片
cv2.waitKey(0)
cv2.destroyAllWindows()

import cv2
import numpy as np 

img = np.zeros((200, 200), dtype=np.uint8) # 黑色
img[50:150, 50:150] = 255 # 这个区域内的像素值更新为255，白色

ret, thresh = cv2.threshold(img, 127, 255, 0)
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
"""方法解析：
cv2.findContours(image, mode, method[, contours[, hierarchy[, offset ]]])  

参数：
第一个参数是寻找轮廓的图像；
第二个参数表示轮廓的检索模式，有四种（本文介绍的都是新的cv2接口）：
    cv2.RETR_EXTERNAL     表示只检测外轮廓
    cv2.RETR_LIST                检测的轮廓不建立等级关系
    cv2.RETR_CCOMP          建立两个等级的轮廓，上面的一层为外边界，里面的一层为内孔的边界信息。如果内孔内还有一个连通物体，这个物体的边界也在顶层。
    cv2.RETR_TREE            建立一个等级树结构的轮廓。

第三个参数method为轮廓的近似办法
    cv2.CHAIN_APPROX_NONE 存储所有的轮廓点，相邻的两个点的像素位置差不超过1，即max（abs（x1-x2），abs（y2-y1））==1
    cv2.CHAIN_APPROX_SIMPLE 压缩水平方向，垂直方向，对角线方向的元素，只保留该方向的终点坐标，例如一个矩形轮廓只需4个点来保存轮廓信息
    cv2.CHAIN_APPROX_TC89_L1，CV_CHAIN_APPROX_TC89_KCOS 使用teh-Chinl chain 近似算法

返回值
cv2.findContours()函数返回两个值，一个是轮廓本身，还有一个是每条轮廓对应的属性。
"""
color = cv2.cvtColor(img, cv2.COLOR_GRAY2BGR)
img = cv2.drawContours(color, contours, -1, (0, 255, 0), 2)
"""方法解析：
cv2.drawContours(image, contours, contourIdx, color, thickness=None, lineType=None, hierarchy=None, maxLevel=None, offset=None)
参数：
第一个参数是指明在哪幅图像上绘制轮廓；image为三通道才能显示轮廓
第二个参数是轮廓本身，在Python中是一个list;
第三个参数指定绘制轮廓list中的哪条轮廓，如果是-1，则绘制其中的所有轮廓。
第四个参数指定轮廓颜色；
第五个参数表明轮廓线的宽度，如果是-1（cv2.FILLED），则为填充模式。
"""
cv2.imshow('contours', color)
cv2.waitKey()
cv2.destroyAllWindows()