问题分析：
这个问题类似于边缘提取，我们想到经典的canny算子，然而canny算子不保证边缘连续，而且无法给出直线划分，但却给我们一个分析问题的方向。以下思路是在canny算子的基础上进行的。对于比较直，但长度粗细不定，有些地方非常微弱，断断续续的直线，可能是个好方向，此处记录一下。
1、计算各处的梯度向量
图像梯度即求导数，导数能反映出图像变化最大的地方，图像变化最大的地方也就是图像的边缘。
- sobel算子与scharr算子
在sobel算子不能明显反映图像边缘时就换用scharr算子
import cv2 as cv
def sobel_image(img):
grad_x = cv.Sobel(img, cv.CV_32F, 1, 0)#x方向一阶导数
#图像 图像深度，支持src.depth()和ddepth的组合 x方向上差分阶数 y方向差分阶数
grad_y = cv.Sobel(img, cv.CV_32F, 0, 1)#y方向一阶导数
#print(grad_x)
gradx = cv.convertScaleAbs(grad_x)#可通过print查看区别
#线性输入数组转化为无符号（绝对值）8为整形
#print(gradx)
grady = cv.convertScaleAbs(grad_y)
cv.imshow("x", gradx)
cv.imshow("y", grady)
gradxy = cv.addWeighted(grad_x, 0.5, grad_y, 0.5, 0)#将两幅图像整合
#第一个数组 第一个数组的权重 第二个数组 第二个数组的权重 gamma
#dst = src1[I]*alpha+ src2[I]*beta + gamma;输出图像式子
cv.imshow("x&&y", gradxy)
img = cv.imread("d://work//1.jpg")
sobel_image(img)
cv.waitKey(0)
cv.destroyAllWindows()
sobel到scharr改变求导方式即可
def scharr_image(image):
grad_x = cv.Scharr(image, cv.CV_32F, 1, 0)
grad_y = cv.Scharr(image, cv.CV_32F, 0, 1)
gradx = cv.convertScaleAbs(grad_x)
grady = cv.convertScaleAbs(grad_y)
cv.imshow("x", grad_x)
cv.imshow("y", grad_y)
gradxy = cv.addWeighted(gradx, 0.5, grady, 0.5, 0)
cv.imshow("x&y_s", gradxy)
相比sobel算子把变化描述地更明显，再介绍一种lpls算子。lpls 算子有四领域和8领域的，内置函数默认是四领域
def lpls_image(image):
dst = cv.Laplacian(image, cv.CV_32F)
lpls = cv.convertScaleAbs(dst)
cv.imshow("lpls", lpls)
def lpls_image(image):
#dst = cv.Laplacian(image, cv.CV_32F)
#lpls = cv.convertScaleAbs(dst)
dst = np.array([[1, 1, 1], [1, -8, 1], [1, 1, 1]])
lpls = cv.filter2D(image, cv.CV_32F, dst)
lpls = cv.convertScaleAbs(lpls)
cv.imshow("lpls", lpls)
2、梯度方向上进行非最大值抑制
指寻找像素点局部最大值，将非极大值点所对应的灰度值置为0，这样可以剔除掉一大部分非边缘的点。要进行非极大值抑制，就首先要确定像素点C的灰度值在其8值邻域内是否为最大。图中蓝色的线条方向为C点的梯度方向，这样就可以确定其局部的最大值肯定分布在这条线上，也即出了C点外，梯度方向的交点dTmp1和dTmp2这两个点的值也可能会是局部最大值。因此，判断C点灰度与这两个点灰度大小即可判断C点是否为其邻域内的局部最大灰度点。如果经过判断，C点灰度值小于这两个点中的任一个，那就说明C点不是局部极大值，那么则可以排除C点为边缘。这就是非极大值抑制的工作原理。
image
在理解的过程中需要注意以下两点：
- 非最大抑制是回答这样一个问题：“当前的梯度值在梯度方向上是一个局部最大值吗？“ 所以,要把当前位置的梯度值与梯度方向上两侧的梯度值进行比较。
- 梯度方向垂直于边缘方向。但实际上，我们只能得到C点邻域的8个点的值，而dTmp1和dTmp2并不在其中，要得到这两个值就需要对该两个点两端的已知灰度进行线性插值，也即根据图1中的g1和g2对dTmp1进行插值，根据g3和g4对dTmp2进行插值，这要用到其梯度方向，这是Canny算法中要求解梯度方向矩阵
的原因。
完成非极大值抑制后，会得到一个二值图像，非边缘的点灰度值均为0，可能为边缘的局部灰度极大值点可设置其灰度为128。检测结果还是包含了很多由噪声及其他原因造成的假边缘。因此还需要进一步的处理。
3. 边缘追溯
我们对图像进行边缘追溯，canny算子除了给我们提供了边缘之外，其实还有丰富的局部梯度信息，而我们提取的缝隙都是直线，因而梯度信息是非常宝贵的。
For每个图像中的点:
If 当前点 == 0：continue
While 两端还活着:
试图沿着梯度的垂直方向生长，找下一个点（如果没找到，生命值-1）
找到后判别目标点的梯度向量是否与当前集合平均一致
一致则合并，生命恢复，计算新的平均梯度，不一致则生命值-1
生命减到1，停止生长
优势：考虑了梯度方向问题，可以很好的排除非自己所属的边缘
加入生命值的概念，可以在断的时候，继续沿着梯度垂直方向生长，得以延续。
4. 直线性判别
所有直线都生长结束后，对每个轮廓进行特征值分解，用较小的特征值进行线性度判定。
5. 线段配对
1）两个线段长度相似
2）两个线段质心接近
3）两个线段梯度向量相对立
总结：算法基于canny算子，在极大值抑制后，没有进行双阈值，而是保留梯度向量进行线段追溯，追溯过程中加入生命值概念，让直线延续性得以保证，而有梯度和生长方向概念，也不会混入其他点，得到纯净点后进行直线度检验，最后对所有提取出来的直线进行配对，得到结果。
附Imagepy github链接
https://github.com/yxdragon/imagepy.git
网友评论