Python边缘检测和曲率计算

Question

我知道边缘检测问题之前已经发布过（Java 中：Count the number of objects in an Image，与语言无关：Image edge detection），但我想知道如何在 python 中实现。

我正在对一些简单形状（带有一些噪声的二进制形状）的边缘进行边缘检测和曲率计算。我知道 OpenCV 有一些包装器，但不确定哪个更好：pyopencv、pycv、pycvf？

由于我基本上只做这两个任务，我也不确定自己实现它是否比使用库更快。

Answer 1

我们在积极开发的scikit-image 中有分割和边缘检测算法，您可能会发现它们很有用：

Scikit Images Examples

Answer 2

你可以在 python 中使用 scipy 轻松实现边缘检测。

from scipy import ndimage
edge_horizont = ndimage.sobel(greyscale, 0)
edge_vertical = ndimage.sobel(greyscale, 1)
magnitude = np.hypot(edge_horizont, edge_vertical)

这是原始图像和边缘检测后图像的示例。

在scikit-image中，有一个special page with explanations是如何做边缘检测的。

Answer 3

有一种非常简单的方法可以使用 scikit 图像在 python 中查找轮廓。它实际上只是几行代码，如下所示：

    from skimage import measure
    contours = measure.find_contours(gimg, 0.8)

这将返回轮廓线的矢量表示。在每行的单独数组中。通过计算近似值也很容易减少一条线上的点数。这里有一段较长的源代码描述：image vectorization with python

Answer 4

您可以使用不同的边缘检测器：Canny、Sobel、Laplacian、Scharr、Prewitt、Roberts。你可以用OpenCV：

import cv2
import numpy as np

img = cv2.imread('your_image.jpg', 0)

# Canny
edges_canny = cv2.Canny(img, 100, 100)

# Sobel
sobel_x = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=5)
sobel_y = cv2.Sobel(img, cv2.CV_64F, 0, 1, ksize=5)
edges_sobel = np.hypot(sobel_x, sobel_y)
edges_sobel *= 255.0 / np.max(edges_sobel)

# Laplacian
edges_laplacian = cv2.Laplacian(img, cv2.CV_64F)

# Scharr
schar_x = cv2.Scharr(img, cv2.CV_64F, 1, 0)
schar_y = cv2.Scharr(img, cv2.CV_64F, 0, 1)
edges_scharr = np.hypot(schar_x, schar_y)
edges_scharr *= 255.0 / np.max(edges_scharr)

或scikit-image:

import cv2
from skimage import feature, filters

img = cv2.imread('your_image.jpg', 0)

edges_canny = feature.canny(img) # Canny
edges_sobel = filters.sobel(img) # Sobel
edges_laplace = filters.laplace(img) # Laplacian
edges_scharr = filters.scharr(img) # Scharr
edges_prewitt = filters.prewitt(img) # Prewitt
edges_roberts = filters.roberts(img) # Roberts

Canny 边缘检测器可能是最常用和最有效的方法，但也是最复杂的方法。有关上述方法之间有什么区别的更多详细信息，请查看this blog post。