Python+OpenCV图像处理（三）

检测是计算机视觉任务中的主要任务之一，而且应用很广泛。检测技术可以帮助人类检测那些容易被肉眼忽略的错误；也可以”帮助“自动驾驶汽车感知空间信息。无疑自动化的检测技术的广泛应用将为我们带来效率与安全。

本篇是这个系列的第三篇。整个系列目录如下：

理解颜色模型与在图像上绘制图形（图像处理基本操作）。

基本的图像处理与滤波技术。

从特征检测到人脸检测。

轮廓检测

之前已经介绍了几种颜色模型以及如何在图像上绘制图形。还介绍了常用的图像处理技术，如：模糊、梯度、腐蚀、扩张等。本篇将把这些技术应用到图像特征检测和人脸检测中。

本篇会用到本系列前两篇中介绍的图像处理技术。

边缘检测 （Edge Detection）

边缘检测本质上是检测图像中变化剧烈或者不连续的像素点。将这些像素点连接线段即为边。实际上，在上一篇文章中我们已经介绍了一种基础的边缘检测技术：使用Sobel算子和拉普拉斯算子进行梯度滤波。通过计算图像像素值在给定方向上的导数，梯度滤波器即可以描绘出图像的边缘从而实现边缘检测。

Canny检测算法是另外一种图像边缘检测技术。而且是目前最流行的边缘检测技术之一，分为以下四个步骤实现：降噪、判断梯度及梯度方向、非最大值抑制和滞后阈值化处理。

首先通过高斯模糊技术实现降噪。然后，使用sobel算子得到图像梯度。接着使用得到的梯度，检测每一个像素点与其中周围的像素点，确认这个像素点是不是这些局部像素点中的局部最大值。如果不是局部最大值，则将这个点的像素值置为零（完全缺失，黑色）。这个过程即为非极大值抑制。

如果这个点被确认为局部最大值，则进行下一步即第四个步骤。第四步是决定之前检测出的边是否为真正边缘的最后一个决策阶段。这一决策阶段被称为滞后阈值化，它需要两个阈值（“较小阈值”、“较大阈值”）来进行决策。

给定两个不同的阈值，我们可以得到三个阈值化区间。因此，如果这个点的像素值大于两个阈值中的“较大阈值”则被判定为边缘点。相对地，如果其小于所设定的两个阈值参数中的“较小阈值”则被认定为非边缘点，即会被丢弃。另外，如果这个点的像素值位于两个参数阈值之间则是跟据其是否与”确认边缘点“之间有连接来决定是否丢弃，遵循有连接则不丢弃的原则。

img ＝ cv2．imread（＇images／giraffe．jpg＇）

img ＝ cv2．cvtColor（img， cv2．COLOR＿BGR2RGB）

＃ Canny detection without blurring

edges ＝ cv2．Canny（image＝img， threshold1＝127， threshold2＝127）

plt．figure（figsize ＝ （20， 20））

plt．subplot（1， 2， 1）； plt．imshow（img）

plt．axis（＇off＇）

plt．subplot（1， 2， 2）； plt．imshow（edges）

plt．axis（＇off＇）

上方仅使用了一个阈值中值作判断，也没有进行图像模糊处理，边缘检测结果不是很理想。接下来让我们尝试不同的参数阈值设定：

＃ Set the lower and upper threshold

med＿val ＝ np．median（img）

lower ＝ int（max（0， ．7＊med＿val））

upper ＝ int（min（255， 1．3＊med＿val））

为了更直观的比较模糊化对图像边缘检测的影响，将使用两种不同尺寸的卷积核（5x5）与（9x9）。设定两种阈值参数，一种在上述阈值设定的基础上将“较大阈值”增加100。也就意味着我们会得到四种不同的组合结果图。如下：

＃ Blurring with ksize ＝ 5 

img＿k5 ＝ cv2．blur（img， ksize ＝ （5， 5））

＃ Canny detection with different thresholds

edges＿k5 ＝ cv2．Canny（img＿k5， threshold1 ＝ lower， threshold2 ＝ upper）

edges＿k5＿2 ＝ cv2．Canny（img＿k5， lower， upper＋100）

＃ Blurring with ksize ＝ 9 

img＿k9 ＝ cv2．blur（img， ksize ＝ （9， 9））

＃ Canny detection with different thresholds

edges＿k9 ＝ cv2．Canny（img＿k9， lower， upper）

edges＿k9＿2 ＝ cv2．Canny（img＿k9， lower， upper＋100）

＃ Plot the images

images ＝ ［edges＿k5， edges＿k5＿2， edges＿k9， edges＿k9＿2］

plt．figure（figsize ＝ （20， 15））

for i in range（4）：

plt．subplot（2， 2， i＋1）

plt．imshow（images［i］）

plt．axis（＇off＇）

plt．show（）

正如上图所示，模糊化可以帮助减少噪声。我们在使用卷积核尺寸为（9x9）时得到了更好的结果。而且，在使用更大的“较大阈值”时得到了更好的边缘检测结果。