7 图像处理基础之图像滤波与边缘检测

在计算机视觉的广阔领域中，图像处理是一个至关重要的基础部分。继上一篇的《图像处理基础之颜色空间转换与直方图均衡》后，本篇将着重探讨图像滤波与边缘检测这两个核心概念。滤波与边缘检测不仅在图像预处理阶段发挥重要作用，还广泛应用于目标检测、图像分割等高级任务。

图像滤波

1. 滤波的概述

图像滤波用于减少图像中的噪声或增强特定的特征。它通过对图像进行卷积操作来实现。

在进行卷积时，我们使用一个小矩阵，称为“卷积核”或“滤波器”。该滤波器在图像每一个像素上滑动，计算其周围像素的加权和。

2. 常见的滤波器

• 均值滤波器：通过取邻域像素的平均值来平滑图像。

  卷积核示例：
  $$
  \begin{bmatrix}
  1 & 1 & 1 \
  1 & 1 & 1 \
  1 & 1 & 1
  \end{bmatrix} \div 9
  $$

• 高斯滤波器：采用高斯函数加权邻域像素，更加平滑图像，同时保留边缘。

  卷积核示例：
  $$
  \begin{bmatrix}
  1/16 & 1/8 & 1/16 \
  1/8 & 1/4 & 1/8 \
  1/16 & 1/8 & 1/16
  \end{bmatrix}
  $$

• 中值滤波器：通过取邻域像素的中值来去噪，对椒盐噪声有良好效果。

3. 示例代码

下面是使用Python和OpenCV库实现均值滤波和高斯滤波的简单示例。

import cv2
import numpy as np

# 读取图像
image = cv2.imread('image.jpg')

# 均值滤波
mean_blurred = cv2.blur(image, (5, 5))

# 高斯滤波
gaussian_blurred = cv2.GaussianBlur(image, (5, 5), 0)

# 显示结果
cv2.imshow('Original Image', image)
cv2.imshow('Mean Blurred', mean_blurred)
cv2.imshow('Gaussian Blurred', gaussian_blurred)
cv2.waitKey(0)
cv2.destroyAllWindows()

边缘检测

边缘检测旨在识别图像中的重要特征和变化区域。通过突出显示图像中颜色或强度变化大的区域，边缘检测可以帮助我们理解图像的结构与内容。

1. 边缘检测算法

• Sobel算子：通过计算图像强度的梯度来检测边缘。通常使用两个卷积核，分别检测水平和垂直方向。

  Sobel算子卷积核示例：
  $$
  G_x = \begin{bmatrix}
  -1 & 0 & 1 \
  -2 & 0 & 2 \
  -1 & 0 & 1
  \end{bmatrix}, \quad
  G_y = \begin{bmatrix}
  1 & 2 & 1 \
  0 & 0 & 0 \
  -1 & -2 & -1
  \end{bmatrix}
  $$

• Canny边缘检测：是更为复杂的边缘检测算法，包含多个阶段，包括噪声去除、梯度计算、非极大值抑制和双阈值检测。

2. 示例代码

下面是使用Python和OpenCV来实现Sobel边缘检测和Canny边缘检测的代码。

# 读取图像并转换为灰度图
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# Sobel边缘检测
sobel_x = cv2.Sobel(gray_image, cv2.CV_64F, 1, 0, ksize=5)
sobel_y = cv2.Sobel(gray_image, cv2.CV_64F, 0, 1, ksize=5)
sobel_edges = cv2.magnitude(sobel_x, sobel_y)

# Canny边缘检测
canny_edges = cv2.Canny(gray_image, 100, 200)

# 显示结果
cv2.imshow('Sobel Edges', sobel_edges)
cv2.imshow('Canny Edges', canny_edges)
cv2.waitKey(0)
cv2.destroyAllWindows()

总结

通过本篇，我们学习了图像滤波和边缘检测这两个基本概念。滤波有助于去除图像噪声，改善图像质量，而边缘检测则允许我们提取图像的重要特征，这在后续的特征提取与描述中非常重要。下一篇将深入探讨“特征提取与描述之特征的定义与重要性”。