使用Python+OpenCV进行图像处理（三）|米兰

检测是计算机视觉任务中的主要任务之一，而且应用于很普遍。检测技术可以协助人类检测那些更容易被肉眼忽视的错误；也可以”协助“自动驾驶汽车感官空间信息。毫无疑问自动化的检测技术的广泛应用将为我们带给效率与安全性。

本篇是这个系列的第三篇。整个系列目录如下：解读颜色模型与在图像上绘制图形（图像处理基本操作）。基本的图像处理与滤波技术。

从特征检测到人脸检测。轮廓检测之前早已讲解了几种颜色模型以及如何在图像上绘制图形。还讲解了常用的图像处理技术，如：模糊不清、梯度、生锈、扩展等。本篇将把这些技术应用于到图像特征检测和人脸检测中。

本篇不会中用本系列前两篇中讲解的图像处理技术。边缘检测（EdgeDetection）边缘检测本质上是检测图像中变化轻微或者不倒数的像素点。将这些像素点连接线段即为边。

实质上，在上一篇文章中我们早已讲解了一种基础的边缘检测技术：用于Sobel算子和拉普拉斯算子展开梯度滤波。通过计算出来图像像素值在等价方向上的导数，梯度滤波器即可以描绘出图像的边缘从而构建边缘检测。Canny检测算法是另外一种图像边缘检测技术。而且是目前最风行的边缘检测技术之一，分成以下四个步骤构建：减震、辨别梯度及梯度方向、非最大值诱导和迟缓阈值化处置。

首先通过高斯模糊不清技术构建减震。然后，用于sobel算子获得图像梯度。接着用于获得的梯度，检测每一个像素点与其中周围的像素点，证实这个像素点是不是这些局部像素点中的局部最大值。

如果不是局部最大值，则将这个点的像素值置为零（几乎缺陷，黑色）。这个过程即为非极大值诱导。如果这个点被证实为局部最大值，则展开下一步即第四个步骤。

第四步是要求之前检测出有的边否为确实边缘的最后一个决策阶段。这一决策阶段被称作迟缓阈值化，它必须两个阈值（“较小阈值”、“较小阈值”）来展开决策。

等价两个有所不同的阈值，我们可以获得三个阈值化区间。因此，如果这个点的像素值小于两个阈值中的“较小阈值”则被判断为边缘点。比较地，如果其大于所原作的两个阈值参数中的“较小阈值”则被确认为非边缘点，即不会被弃置。

另外，如果这个点的像素值坐落于两个参数阈值之间则是跟据其否与”证实边缘点“之间有相连来要求否弃置，遵循有相连则不弃置的原则。

本文来源：米兰-www.times-ai.com