2

我想将 Otsu 阈值应用于图像渐变（以消除噪声）。之后，我想计算梯度方向。不幸的是，当我这样做时，我只能得到 0 到 90 度之间的渐变方向。如果没有 Otsu 阈值，值在 0 到 360 之间。

在 Python 中查看我的代码

import numpy as np
import cv2

img = cv2.imread('Ob.png',cv2.IMREAD_GRAYSCALE)
img = img.astype('float32')
img2 = 
dst1 = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=5)
dst2 = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=5)

ret1,th1 = cv2.threshold(dst1.astype(np.uint8),0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)
ret2,th2 = cv2.threshold(dst2.astype(np.uint8),0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)

mag, ang = cv2.cartToPolar(dst1.astype(np.float32),dst2.astype(np.float32))
np.rad2deg(ang)
4

2 回答 2

3

您的代码中发生的事情很容易解释：

dst1和dst2，两个 Sobel 滤波器的输出，是梯度向量的 x 和 y 分量。对于一个给定的像素，梯度向量由 ( dst1[i,j], dst2[i,j]) 给出。该向量可以具有任何值，例如 (5.8,-2.1)，导致角度约为 340 度。

接下来，您对这两个图像进行阈值处理。Otsu 阈值化将找到一个值，该值将图像很好地分成低强度像素和高强度像素。它们分别被赋值为 0 和 255。但首先，您将浮点图像转换为 uint8，将所有负值设置为 0。因此，我们的向量 (5.8,-2.1) 首先转换为 (5,0)，然后进行阈值处理，之后它变为 ( 255,0) 或 (0,0) 取决于 5 落在阈值的哪一侧。

因此，我们将具有 340 度角的向量转换为具有 0 度角或没有可计算角度的向量（尽管atan2(0,0)通常也产生 0）。

事实上，所有向量都变成了 (0,0)、(0,255)、(255,0) 或 (255,255)，这意味着您只能找到 0、45 和 90 度的角度。

相反，您应该做的是计算幅度和阈值（我不知道 Otsu 是否是此类图像的理想方法）。接下来，仅对幅度高于阈值的像素使用角度。

另一种常见的替代方法是使用高斯梯度而不是 Sobel。在那里，您可以设置一个平滑（正则化）参数，它允许您消除或多或少的噪声。我经常看到这实现为高斯模糊，然后是 Sobel 过滤器，尽管直接使用高斯导数过滤器对我来说更有意义。

于 2018-09-30T06:38:32.697 回答
2

如果我可以，为什么您要做的第一件事是将数据转换为 float32 ？

我认为在 Sobel 处理期间让它这样做会更有效。这只是我的观点。

您将梯度过滤器命名为“噪声”的东西实际上称为非最大值。通常，诸如 Canny 之类的算法确实包括在Sobel过滤之后对其进行阈值处理。这种方法的不便之处在于找到合适的阈值。我个人使用另一种算法的非最大值抑制。

您的代码将变为：

import numpy as np
import cv2

img = cv2.imread('Ob.png',cv2.IMREAD_GRAYSCALE)

dx,dy = cv2.spatialGradient(img,ksize=5)

mag = cv2.magnitude(dx.astype(np.float32),dy.astype(np.float32))

se = cv2.ximgproc_StructuredEdgeDetection()

ori = se.computeOrientation(mag)

edges_without_nms = se.edgesNms(mag,ori)

我希望它对你有帮助。

于 2018-09-30T05:12:06.220 回答