秋風閣——北溪入江流：https://focus-wind.com/
秋風閣——計算機視覺實驗：邊緣提取與特征檢測

文章目錄

• 一：實驗內容
• 二：實驗過程
• • （一）邊緣提取
  • • （1）卷積算子
    • • a：robert交叉算子
      • b：prewitt算子
      • c：sobel算子
      • d：laplacian算子
    • （2）實驗代碼
  • （二）特征點檢測
  • • （1）實驗代碼
• 三：實驗結果及分析
• • （一）邊緣提取
  • • （1）實驗原圖
    • （2）robert算子
    • （3）prewitt算子
    • （3）sobel算子
    • （4）laplacian算子
    • （5）綜合對比
  • （二）特征點檢測
  • • （1）實驗原圖
    • （2）susan特征點檢測
    • （3）harris特征點檢測
    • （4）sift特征點檢測
    • （5）綜合對比

一：實驗內容

掌握python進行圖像處理、了解opencv-python庫的使用

基于robert、prewitt、sobel算子完成圖像邊緣提取

了解SUSAN、Harris、SIFT算子的特征檢測

二：實驗過程

（一）邊緣提取

（1）卷積算子

a：robert交叉算子

b：prewitt算子

c：sobel算子

d：laplacian算子

（2）實驗代碼

import cv2 import numpy as npdef _edge_extraction(img: np.ndarray, kernel_method='robert'):"""邊緣提取:param img: 需要進行邊緣提取的圖，COLOR：BGR:param kernel_method: 邊緣提取算子名稱，全小寫:return: x方向（0.5x）和y方向（0.5y）邊緣提取的加權和"""# 轉換為灰度圖gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 邊緣提取算子if 'robert' == kernel_method:kernel_x = np.array([[-1, 0], [0, 1]], dtype=int)kernel_y = np.array([[0, -1], [1, 0]], dtype=int)elif 'prewitt' == kernel_method:kernel_x = np.array([[-1, 0, 1], [-1, 0, 1], [-1, 0, 1]], dtype=int)kernel_y = np.array([[1, 1, 1], [0, 0, 0], [1, 1, 1]], dtype=int)elif 'sobel' == kernel_method:kernel_x = np.array([[-1, 0, 1], [-2, 0, -2], [-1, 0, 1]], dtype=int)kernel_y = np.array([[1, 2, 1], [0, 0, 0], [-1, -2, -1]], dtype=int)elif 'laplacian' == kernel_method:kernel_x = np.array([[0, -1, 0], [-1, 4, -1], [0, -1, 0]], dtype=int)kernel_y = np.array([[-1, -1, -1], [-1, 8, -1], [-1, -1, -1]], dtype=int)else:kernel_x = np.array([[-1, 0], [0, 1]], dtype=int)kernel_y = np.array([[0, -1], [1, 0]], dtype=int)# 進行邊緣提取filter_x = cv2.filter2D(gray, ddepth=-1, kernel=kernel_x)filter_y = cv2.filter2D(gray, ddepth=-1, kernel=kernel_y)# x方向和y方向加權img_add_weight = cv2.addWeighted(filter_x, 0.5, filter_y, 0.5, 0)return img_add_weightdef image_show(img: np.ndarray, title='img'):"""顯示圖片:param img::param title::return:"""cv2.namedWindow(title)cv2.imshow(title, img)cv2.waitKey(0)def edge_extraction(path: str, kernel_method='robert'):# 讀取圖片img = cv2.imdecode(np.fromfile(path, dtype=np.uint8), cv2.IMREAD_COLOR)# 邊緣提取img_extraction = _edge_extraction(img, kernel_method=kernel_method)# 顯示圖片image_show(img_extraction, kernel_method)

（二）特征點檢測

（1）實驗代碼

import cv2 import numpy as npdef feature_point_detection_susan(img: np.ndarray):"""susan特征點檢測:param img::return:"""# susan算子susan_operator = np.ones((7, 7))susan_operator[0, 0] = 0susan_operator[0, 1] = 0susan_operator[0, 5] = 0susan_operator[0, 6] = 0susan_operator[1, 0] = 0susan_operator[1, 6] = 0susan_operator[5, 0] = 0susan_operator[5, 6] = 0susan_operator[6, 0] = 0susan_operator[6, 1] = 0susan_operator[6, 5] = 0susan_operator[6, 6] = 0dst = img.astype(np.float64)# 檢測閾值threshold = 37 / 2# 像素偏差閾值t = 10for i in range(3, dst.shape[0] - 3):for j in range(3, dst.shape[1] - 3):# ir：中心位置像素，ir0周邊位置像素# 獲取矩形區域ir = np.array(dst[i - 3:i + 4, j - 3:j + 4])# 使用susan算子截取圓形區域ir = ir[1 == susan_operator]ir0 = dst[i, j]# 平滑曲線相似變換：c = e的[-((ir - ir0)/6))的6次方]的次方，表示相似還是不相似similarity = np.sum(np.exp(-((ir - ir0) / t) ** 6))# 小于閾值，提取特征點if similarity < threshold:img[i, j, 2] = 255return imgdef feature_point_detection_harris(img: np.ndarray):"""harris特征點檢測:param img::return:"""# 轉換為灰度圖gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# Harris特征點檢測# 檢測窗口大小block_size = 2# Sobel的卷積核k_size = 3# 權重系數k = 0.04dst = cv2.cornerHarris(gray, block_size, k_size, k)# 在原圖上繪制關鍵點img[dst > 0.01 * dst.max()] = [0, 0, 255]return imgdef feature_point_detection_sift(img: np.ndarray):"""sift特征點檢測:param img::return:"""# 轉換為灰度圖gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 創建SIFT對象sift = cv2.SIFT_create()# SIFT關鍵點檢測kernel_point = sift.detect(gray, None)# 在原圖繪制關鍵點cv2.drawKeypoints(gray, kernel_point, img)return imgdef image_show(img: np.ndarray, title='img'):"""顯示圖片:param img::param title::return:"""cv2.namedWindow(title)cv2.imshow(title, img)cv2.waitKey(0)def feature_point(path: str, kernel_method='susan'):# 讀取圖片img = cv2.imdecode(np.fromfile(path, dtype=np.uint8), cv2.IMREAD_COLOR)# 特征檢測if 'susan' == kernel_method:img_feature_point = feature_point_detection_susan(img)elif 'harris' == kernel_method:img_feature_point = feature_point_detection_harris(img)elif 'sift' == kernel_method:img_feature_point = feature_point_detection_sift(img)else:img_feature_point = feature_point_detection_susan(img)# 顯示圖片image_show(img_feature_point, kernel_method)

三：實驗結果及分析

（一）邊緣提取

（1）實驗原圖

（2）robert算子

提取時間：0.0020003318786621094

（3）prewitt算子

提取時間：0.0010013580322265625

（3）sobel算子

提取時間：0.002001523971557617

（4）laplacian算子

提取時間：0.001997232437133789

（5）綜合對比

robert提取時間：0.0020003318786621094
prewitt提取時間：0.0010013580322265625
sobel提取時間：0.002001523971557617
laplacian提取時間：0.001997232437133789
通過上圖可以看出，laplacian二階算子的邊緣提取算子的提取效果明顯優于robert，prewitt，sobel等一階算子。且一階算子和二階算子在提取的時間上和算法的復雜度上相差不大，所以在實驗中，如果有特征提取需求的話，可以盡量多采用二階算子進行邊緣提取。

（二）特征點檢測

（1）實驗原圖

（2）susan特征點檢測

（3）harris特征點檢測

（4）sift特征點檢測

（5）綜合對比

在實驗中，因為opencv不提供（或本人沒有找到）有關susan的特征點檢測的函數，所以susan特征點檢測是自己寫的，相比于其他特征點檢測直接調用底層庫較慢。在三個檢測圖片中，可以發現sift特征點檢測檢測到的特征點更多，其他檢測是邊緣特征點，二sift不僅檢測了邊緣特征點，也檢測出了中心特征點。

總結

以上是生活随笔為你收集整理的计算机视觉实验：边缘提取与特征检测的全部內容，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。