一、实验目的

（1）掌握数字图像的空间域滤波原理；

（2）掌握数字图像的边缘检测原理及常用的边缘检测算子；

（3）掌握阈值分割及图像的二值化。

二、实验主要仪器设备

（1）计算机；

（2）Python 3.x及PyCharm软件；

（3）典型的灰度、彩色图像文件。

• 注：opencv-python 使用的是3.x 版本

三、实验原理

(1) 图像空间滤波原理

空间滤波是一种采用滤波处理的影像增强方法。其理论基础是空间卷积和空间相关。目的是改善影像质量，包括去除高频噪声与干扰，及影像边缘增强、线性增强以及去模糊等。分为低通滤波（平滑化）、高通滤波（锐化）和带通滤波。

(2) 边缘检测原理

边缘检测是图像处理和计算机视觉中的基本问题，边缘检测的目的是标识数字图像中亮度变化明显的点。图像属性中的显著变化通常反映了属性的重要事件和变化。这些包括（i）深度上的不连续、（ii）表面方向不连续、（iii）物质属性变化和（iv）场景照明变化。边缘检测是图像处理和计算机视觉中，尤其是特征提取中的一个研究领域。

四、实验内容及代码

4.1 实验内容

（1）读取图像；

（2）使用 opencv-python 对图片进行边缘检测，并对三种算子得出的结果进行比较。

4.2 实验数据

本实验有且仅用到一张图片，原始图片如 图1 所示：

图1. 原始图像

4.3 实验代码

4.3.1 LoG检测器

实现代码：

import cv2

img = cv2.imread(r'./data/3.jpg')
cv2.imshow('img_origin', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

# 1. LoG检测器
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 图像高斯滤波去噪
img_blur = cv2.GaussianBlur(img_gray, (3, 3), 1, 1)     # 核尺寸通过对图像的调节自行定义
# 调用Laplacian算法进行图像轮廓提取
LOG_result = cv2.Laplacian(img_blur, cv2.CV_16S, ksize=1)
img_LOG = cv2.convertScaleAbs(LOG_result)   # 得到 LOG 算法处理结果
cv2.imshow('img_LOG', img_LOG)
cv2.waitKey(0)
cv2.destroyAllWindows()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

LoG边缘检测器效果展示：

图2. LoG边缘检测器效果

4.3.2 Scharr算子

实现代码：

# 2. Scharr算子
Scharr_result = cv2.Scharr(img_gray, cv2.CV_16S, dx=1, dy=0)
img_Scharr = cv2.convertScaleAbs(Scharr_result)
cv2.imshow('img_Scharr', img_Scharr)
cv2.waitKey(0)
cv2.destroyAllWindows()
1
2
3
4
5
6

Scharr算子边缘检测效果展示：

图3. Scharr算子边缘检测效果

4.3.3 Canny边缘检测器

实现代码：

# 3. Canny边缘检测器
img_blur_canny = cv2.GaussianBlur(img_gray, (7, 7), 1, 1)
img_Canny = cv2.Canny(img_blur_canny, 50, 150)
cv2.imshow('img_Canny', img_Canny)
cv2.waitKey(0)
cv2.destroyAllWindows()
1
2
3
4
5
6

Canny算子边缘检测效果展示：

图4. Canny算子边缘检测效果