目录
1. 介绍
复杂度更高的是线检测
由于二阶导数有更强的滤波器响应，并且比一阶导数有更细的线。但是二阶导数对噪声点会格外敏感，并且会产生双边缘响应
二阶导的定义：
- 灰度值恒定的区域必须为零
- 灰度台阶或者斜坡开始处和结束处必须不为零
- 灰度斜坡上的点必须为零
二阶导数符号的变化可以判断边缘的过渡是从亮到暗还是暗到亮
二阶导数：符号从 + 变到 - ，说明图像是从 暗区域 变到 亮区域
最后就是，根据滤波器的权重设置，可以检测不同角度的线。
这里：x轴为垂直向下，逆时针方向旋转的角度代表正角度
2. 二阶导数符号的问题
代码为：
-
import numpy
as np
-
import cv2
-
-
img = cv2.imread(
'./img.tif',
0)
-
kernel = np.array([[
1,
1,
1], [
1, -
8,
1], [
1,
1,
1]])
-
-
-
lap = cv2.filter2D(img,cv2.CV_16S,kernel)
# 拉普拉斯变换
-
img_norm = cv2.normalize(lap,
None,
0,
255,norm_type=cv2.NORM_MINMAX,dtype=cv2.CV_8U)
# 归一化图像
-
-
img_lap = cv2.convertScaleAbs(lap)
# 拉普拉斯图像
-
dst = cv2.filter2D(img,cv2.CV_8U,kernel)
# 只包含正值的拉普拉斯图像
-
-
cv2.imshow(
'img',np.hstack((img,img_norm)))
-
cv2.waitKey()
-
cv2.destroyAllWindows()
首先先观察一下，原图和拉普拉斯归一化的图像
因为，拉普拉斯变换会产生负值，而图像显示是uint8 类型的。所以这里运用了归一化，这样就是把负值映射成0，最大值映射成255等。
所以第二副图片的黑色区域代表负值、灰色的代表0，白色的代表正值
观察上面一小部分的区域可以发现，在中间竖着的部分，左半边是亮色，然后黑色。说明拉普拉斯变换的符号是由正到负的，因为原来图像灰度值的变换是由暗区域到亮区域的过渡
下面是：拉普拉斯图像和只保存了正值的图像
3. 线检测
处理的代码为：
-
import numpy
as np
-
import cv2
-
-
img = cv2.imread(
'./img.tif',
0)
-
kernel1 = np.array([[-
1, -
1, -
1], [
2,
2,
2], [-
1, -
1, -
1]])
# 水平
-
kernel2 = np.array([[
2, -
1, -
1], [-
1,
2, -
1], [-
1, -
1,
2]])
# +45
-
kernel3 = np.array([[-
1,
2, -
1], [-
1,
2, -
1], [-
1,
2, -
1]])
# 垂直
-
kernel4 = np.array([[-
1, -
1,
2], [-
1,
2, -
1], [
2, -
1, -
1]])
# -45
-
-
dst1 = cv2.filter2D(img,cv2.CV_16S,kernel1)
# 水平检测
-
dst1 = cv2.convertScaleAbs(dst1)
-
-
dst2 = cv2.filter2D(img,cv2.CV_16S,kernel2)
# 45 检测
-
dst2 = cv2.normalize(dst2,
None,
0,
255,norm_type=cv2.NORM_MINMAX,dtype=cv2.CV_8U)
-
dst = dst2.copy()
# 拷贝归一化后的图像
-
dst[dst2 <=
254] =
0
-
-
dst3 = cv2.filter2D(img,cv2.CV_16S,kernel3)
# 垂直检测
-
dst3 = cv2.convertScaleAbs(dst3)
-
-
dst4 = cv2.filter2D(img,cv2.CV_16S,kernel4)
# -45 检测
-
dst4 = cv2.convertScaleAbs(dst4)
-
-
cv2.imshow(
'img',np.hstack((img,dst2,dst)))
-
cv2.waitKey()
-
cv2.destroyAllWindows()
这里只介绍 45° 线检测
图像顺序：原图、拉普拉斯变换归一化的图像、阈值处理后的图像
对应处理的代码为：
1. 首先，用45° 的kernel 进行滤波处理，因为kernel里面带有负值，所以处理的结果会产生负值。2.对处理后的结果做归一化处理，这里会将负值映射为灰度值很小的黑色，正值映射成为灰度值偏大的白色。上述中间的图像
3. 进行阈值处理，因为只有严格满足45° 的线，它的响应结果是最强的，因此归一化后的结果是255，所以阈值处理将 < 255 的均处理为0，就能找到45° 的线
转载：https://blog.csdn.net/qq_44886601/article/details/127724362
查看评论