边缘检测和轮廓检测

边缘检测

什么是边缘：

* 图像中像素值发生剧烈变化的位置(高频信息区域)

* 这些区域往往都是图像的边缘

方法：滤波、形态学处理等

边缘的作用

本质上，边缘是不同区域之间的边界。

其中包含了图像的区域信息，形状信息

一方面，可以利用这些信息来作为特征对图像进行理解(甚至深度学习中也有应用)

另一方面，事先提取出这些信息加以保存，以避免在一些操作中将边缘信息抹除

成熟的边缘检测算法--canny

canny算法是目前为止接触的最复杂的算法之一。

他具有很多的前后处理优化细节，可以得到更好的边缘检测结果。

总的来说，他的基本原理是：在图像中寻找局部最大梯度，将非最大值梯度抑制和双阈值处理结合，产生好的边缘检测结果。

提出动机

canny算法之前，边缘提取方法长期受困于噪声影响。

噪声，会使得图像中的像素值产生随机变化，从而使得边缘检测的结果出现错误或者不准确。

而canny采用以下方法来抑制噪声

1. 引入高斯滤波器，来平滑噪声

2. 采用非最大值抑制来抑制边缘响应，对于边缘宽度的变化更加敏感

3. 采用两段阈值方法处理，从噪声中分离边缘

具体步骤

- 高斯滤波

- 计算梯度幅值和方向

- 非最大值抑制

- 双阈值处理

设定一个上限和下限

如果nsm中的内容小于下限，则值为零，目的在去除噪声

如果nms中的内容大于上限，则值为255， 目的在于强化边缘

如果一个像素值处于上下限之间，但如果周围

- 边缘连接

edges = cv2.Canny(img, 50, 100)

连通区域分析

import cv2
import matplotlib.pyplot as plt

img = cv2.imread('E:/notebook/car.jpg')[670:-570, 370:-370, :]
img = cv2.resize(img, (512, int(512 * img.shape[0] / img.shape[1])))
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
plt.imshow(img)
plt.show()
# 提取边缘
edges = cv2.Canny(img, 50, 100)
plt.imshow(edges, cmap='gray')
plt.show()
# 从图像左上角开始扫描，对每个像素：
# - 如果为前景像素，则会从同一行的前面，或上一行的后面选择标号最小的进行标记
# - 如果没有找到已标记的连通区域，则会单独标记
output = cv2.connectedComponents(edges, 4) # 4连通：上下左右检测，8连通：上下左右，斜上下左右
#print("连通区域数量：", output[0])#19
#print("连通区域的标签形状：", output[1].shape, "最大标签：", output[1].max())# (170, 512)， 18
mask = np