背景
边缘检测是数字图像处理领域的一个常用技术,被广泛应用于图像特征提取、目标识别、计算机视觉等领域。边缘可以理解为像素值发生跃迁的地方,而边缘检测就是要找到这样的地方。如下图所示,对左图进行边缘检测,结果为右图。
基于卷积运算可实现边缘检测,对图像 1(设分辨率为 w×h)进行边缘检测的方法如下:
1)将图像 1 转换成灰度图,仍称为图像 1;
2)新建图像 2,图像 2 为灰度图,分辨率与图像 1 相同;
3)对于图像 1 中坐标为 (x,y) 的像素 p,求 p 的卷积 c,若 c>0,则将图像 2 中 (x,y) 处的像素值设置成 0(即黑色),否则设置成 255(即白色),其中,1≤x≤w−2、1≤y≤h−2;
4)保存图像 2,图像 2即存放了检测结果。
其中,第 3 步要计算 (x,y) 处像素 p 的卷积 c,计算方法如下:
1)选择一个卷积核(本关选择的卷积核是一个如上左图所示的 3×3 矩阵);
2)选取以 p 为中心的 3×3 图像区域,如上右图所示,每个小方格代表一个像素,数字表示像素颜色值,像素 p 的坐标为 (x,y),则选取的图像区域为黄色底纹区域;
3)对于步骤 1 中选择的 3×3 卷积核和步骤 2 中选取的 3×3 图像区域,将它们对应位置的元素相乘,然后再求和,即得到像素 p 的卷积 c,例如,上图中的像素 p 的卷积为:
c=1×11+1×12+1×13+1×14−8×15+1×101+1×16+1×102+1×103=252
任务
本关任务是补全程序,使其能进行边缘检测。本关程序与上关结构类似,可参考上关。
相关知识
略。
编程要求
在 Begin-End 区间补全代码,具体要求见上。
测试说明
测试集正确结果如下:
(1 , 1 ) -> 0
(34 , 27) -> -537
(117, 78) -> -576
(242, 97) -> 528
(276, 61) -> 0
你的图像与正确答案相同!
说明如下:
1)系统会调用你编写的convolute函数,并以“像素坐标 -> 卷积”的格式打印结果,如测试集第 1 行的(1 , 1 ) -> 0表示:(1,1) 处像素的卷积为0;
2)此外,系统会检查程序生成的图像文件,若正确则在测试集最后一行打印你的图像与正确答案相同!。
开始你的任务吧,祝你成功!
from PIL import Image # 求图像img中(x,y)处像素的卷积c def convolute(img, x, y): ########## Begin ########## juanjihe = [1,1,1,1,-8,1,1,1,1] L = [] xl = [x - 1, x, x + 1] yl = [y - 1, y, y + 1] for j in yl: for i in xl: gray = img.getpixel((i, j)) # 取出灰度值 L.append(gray) c = 0 for i,j in zip(juanjihe,L): c = c + i*j ########## End ########## return c # 对图像文件1进行边缘检测,并将结果保存为图像文件2 # 图像文件1和2的路径分别为path1和path2 def detectEdge(path1, path2): img1 = Image.open(path1) # 图像1 img1 = img1.convert('L') # 将图像1转换为灰度图 w, h = img1.size img2 = Image.new('L', (w, h), 'white') # 图像2 ########## Begin ########## ##此部分功能:依次求img1中每个像素的卷积c,再将c放到img2的对应位置 for x in range(1, w - 1): for y in range(1, h - 1): c = convolute(img1, x, y) # 计算卷积c if c>0: s=0 else: s=255 img2.putpixel((x, y), s) # 再将c放到img2的对应位置 ########## End ########## img2.save(path2) path1 = 'step5.bmp' # 原始图像 path2 = 'step5_2.bmp' # 检测到的边缘图像 detectEdge(path1, path2)