Otsu阈值和图像渐变方向

Question

我想将 Otsu 阈值应用于图像渐变(以消除噪点(。之后，我想计算渐变方向。不幸的是，当我这样做时，我只能获得 0 到 90 度之间的渐变方向。如果没有 Otsu 阈值，则值介于 0 和 360 之间。

查看我在 Python 中的代码

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)

Answer 1

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，是梯度矢量的x和y分量。对于一个给定的像素，梯度矢量由 (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，对这两个图像进行阈值设置阈值。Otsu阈值将找到一个值，该值将图像很好地分为低强度像素和高强度像素。它们分别分配了 0 和 255 的值。但首先，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(，然后达到阈值，之后它变为 (255,0( 或 (0,0(，具体取决于 5 落在阈值的哪一侧。

因此，我们将角度为 340 度的向量转换为角度为 0 度或没有可计算角度的矢量(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。

另一种常见的选择是使用高斯梯度而不是索贝尔。在那里，您可以设置平滑(正则化(参数，该参数允许您删除或多或少的噪点。我经常看到这实现为高斯模糊，然后是Sobel滤波器，尽管直接使用高斯导数滤波器对我来说更有意义。

Answer 2

如果我可以为什么你做的第一件事就是将数据转换为 float32 ？

我认为在 Sobel 处理期间让它做会更有效率。 这只是我的观点。

由于梯度滤波器，您命名为"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设置。 这种方法的不便之处在于找到适当的阈值。 就个人而言，我使用另一种算法的非极大值抑制。

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)

我希望它对你有所帮助。