1.為什么要進行圖像預處理？

\qquad當對圖像進行邊緣、輪廓的檢測時，圖像噪聲會對檢測產生不利影響，并且為了幫助模型專注于一般細節(jié)并獲得更高的準確度，我們需要對圖像進行預處理。
\qquad預處理的內容有去除噪聲，控制像素值得強度，一般的處理技巧有模糊(Blurring)、閾值(thresholding)、形態(tài)轉換(morphological transformation)等。

2.模糊

\qquad模糊的主要目的是為了降噪，比如當邊緣檢測算法應用于高分辨率的圖像時，會獲得很多我們并不感興趣的內容，這時候我們需要模糊進行降噪。當對圖像進行模糊處理時，需要尋找合適的模糊量，模糊量太少，則有太多噪聲；模糊量太多，會丟失我們需要的數(shù)據(jù)。
\qquadOpenCV中常用四種模糊的技術：平均模糊、高斯模糊、中值模糊和雙邊濾波模糊。
\qquad這四種模糊技術的原理相同：使用濾波器（內核），對圖像進行卷積運算。但是各個模糊技術之間使用的濾波器不同，比如平均模糊，首先計算內核區(qū)域下的平均值；然后把平均值替換內核區(qū)域的中心值。當內核區(qū)域變大時，圖像會更模糊。
\qquad為了驗證kernel區(qū)域越大，圖像越模糊。我們設定當kernel的大小為5$\times$ 5，11$\times$ 11 , 15$\times$ 15對圖像進行卷積運算，然后比較各個圖像的模糊程度。

import cv2 import matplotlib.pyplot as plt#讀取圖像，并將圖像矩陣修改為RGB顏色模式 img = cv2.imread('../animal.jpg') img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)#標題中文顯示設置 plt.rcParams['font.sans-serif']=['SimHei'] plt.rcParams['axes.unicode_minus'] = False#繪制四張圖，依次為原圖，內核大小為5*5,11*11,15*15 #原圖 plt.subplot(221) plt.imshow(img) plt.title("原圖")#內核大小為5*5 plt.subplot(222) img_blurred = cv2.blur(img,ksize=(5,5)) plt.imshow(img_blurred) plt.title("kernel 5*5")#內核大小為11*11 plt.subplot(223) img_blurred = cv2.blur(img,ksize=(11,11)) plt.imshow(img_blurred) plt.title("kernel 11*11")#內核大小為15*15 plt.subplot(224) img_blurred = cv2.blur(img,ksize=(15,15)) plt.imshow(img_blurred) plt.title("kernel 15*15")plt.show()

\qquad運行結果:
\qquad高斯模糊，高斯模糊的kernel值是由高斯函數(shù)生成，即內核值服從高斯分布。雙邊濾波模糊，具有去除噪音，同時保持邊緣清晰。把四種模糊技術進行對比。

import cv2 import matplotlib.pyplot as plt#讀取圖像，并將圖像矩陣修改為RGB顏色模式 img = cv2.imread('F:/animal.jpg') img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)#標題中文顯示設置 plt.rcParams['font.sans-serif']=['SimHei'] plt.rcParams['axes.unicode_minus'] = False#平均模糊 plt.subplot(221) img_0 = cv2.blur(img, ksize = (7, 7)) plt.imshow(img_0) plt.title("平均濾波")#高斯模糊 plt.subplot(222) img_1 = cv2.GaussianBlur(img, ksize = (7, 7), sigmaX = 0) plt.imshow(img_1) plt.title("高斯模糊")#中值模糊 plt.subplot(223) img_2 = cv2.medianBlur(img, 7) plt.imshow(img_0) plt.title("中值模糊")#雙邊濾波模糊 plt.subplot(224) img_3 = cv2.bilateralFilter(img, 7, sigmaSpace = 75, sigmaColor =75) plt.imshow(img_0) plt.title("雙邊濾波模糊")plt.show()

\qquad運行結果：

3.閾值

\qquad閾值處理，就是將圖像轉換為二進制圖像。有五種不同的閾值處理方式：二進制，二進制的逆，閾值為零，閾值到零的倒數(shù)和閾值截斷。比較五種不同的閾值處理。

import cv2 import matplotlib.pyplot as plt#讀取圖像，并將圖像矩陣修改為RGB顏色模式 img = cv2.imread('F:/animal.jpg') img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)#標題中文顯示設置 plt.rcParams['font.sans-serif']=['SimHei'] plt.rcParams['axes.unicode_minus'] = Falseplt.subplot(231) plt.imshow(img) plt.title("原圖")plt.subplot(232) _, thresh_0 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY) plt.imshow(thresh_0) plt.title("二進制")plt.subplot(233) _, thresh_1 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY_INV) plt.imshow(thresh_1) plt.title("二進制的逆")plt.subplot(234) _, thresh_2 = cv2.threshold(img, 127, 255, cv2.THRESH_TOZERO) plt.imshow(thresh_2) plt.title("閾值為零")plt.subplot(235) _, thresh_3 = cv2.threshold(img, 127, 255, cv2.THRESH_TOZERO_INV) plt.imshow(thresh_3) plt.title("閾值到零的倒數(shù)")plt.subplot(236) _, thresh_4 = cv2.threshold(img, 127, 255, cv2.THRESH_TRUNC) plt.imshow(thresh_4) plt.title("閾值截斷")plt.show()

\qquad運行結果：

4.形態(tài)轉換

\qquad形態(tài)轉換，通過過濾來處理對象。過濾器的形狀可以為矩形(rectangle)，橢圓形(ellipse)，十字形(cross)。形態(tài)轉換的技術有：侵蝕，膨脹等。下面以侵蝕形態(tài)轉換為例，比較三種形狀過濾器的效果。

import cv2 import matplotlib.pyplot as plt import numpy as np#讀取圖像，并將圖像矩陣修改為RGB顏色模式 img = cv2.imread('F:/animal.jpg') img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)#標題中文顯示設置 plt.rcParams['font.sans-serif']=['SimHei'] plt.rcParams['axes.unicode_minus'] = False#原圖 plt.subplot(221) plt.imshow(img) plt.title("原圖")#矩形 plt.subplot(222) kernel_0 = np.ones((9, 9)) img1 = cv2.erode(img, kernel_0, iterations = 3) plt.imshow(img1) plt.title("矩形")#橢圓 plt.subplot(223) kernel_1 = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (9, 9)) img2 = cv2.erode(img,kernel_1,iterations=3) plt.imshow(img2) plt.title("橢圓")#十字形 plt.subplot(224) kernel_2 = cv2.getStructuringElement(cv2.MORPH_CROSS, (9, 9)) img3 = cv2.erode(img,kernel_2,iterations=3) plt.imshow(img3) plt.title("十字形")plt.show()

\qquad運行結果：

5.邊緣檢測

\qquad使用cv2.Canny()函數(shù)進行邊緣檢測。

import cv2 import matplotlib.pyplot as plt#讀取圖像 img = cv2.imread('F:/dog.jpg') img_color = cv2.cvtColor(img,cv2.COLOR_BGR2RGB) img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)#標題中文顯示設置 plt.rcParams['font.sans-serif']=['SimHei'] plt.rcParams['axes.unicode_minus'] = Falseplt.subplot(221) plt.imshow(img_color) plt.title("原圖")plt.subplot(222) canny1 = cv2.Canny(img_gray, 50, 150) plt.imshow(canny1,cmap='gray')plt.subplot(223) canny2 = cv2.Canny(img_gray, 100, 200) plt.imshow(canny2,cmap='gray')plt.subplot(224) canny3 = cv2.Canny(img_gray, 150, 250) plt.imshow(canny3,cmap='gray')plt.show()

\qquad運行結果：

參考鏈接：Basic Operations on Images
\qquad \qquadMorphology
\qquad \qquadDrawing Functions in OpenCV

總結

以上是生活随笔為你收集整理的计算机视觉——图像预处理及边缘检测的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。