### 边界提取的基本原理 边界提取是图像处理中用于检测图像中物体边缘的一种操作。其核心思想是通过图像的梯度变化来识别像素值发生显著变化的位置，这些位置通常对应于物体的边界。手动实现边界提取算法通常涉及图像的卷积操作，使用特定的卷积核（如Sobel、Prewitt或Roberts算子）来计算图像的梯度幅值，从而得到边缘信息。 在实现边界提取时，通常分为以下步骤： - **灰度化处理**：将彩色图像转换为灰度图像，以便简化后续处理。 - **梯度计算**：使用卷积核对图像进行卷积操作，分别计算水平方向和垂直方向的梯度。 - **梯度幅值计算**：结合水平和垂直方向的梯度，计算每个像素点的梯度幅值。 - **非极大值抑制**：保留局部最大值，去除非极大值点，以细化边缘。 - **阈值处理**：使用高低阈值对边缘进行筛选，去除噪声并保留真实边界。 ### 手动实现边界提取的代码 以下是一个基于 Sobel 算子的手动实现边界提取算法的示例代码。该代码使用 NumPy 进行矩阵运算，并实现梯度计算和非极大值抑制。 ```python import numpy as np import cv2 def sobel_edge_detection(image): # 图像灰度化 if len(image.shape) == 3: image = np.mean(image, axis=2) # Sobel 算子 sobel_x = np.array([[-1, 0, 1], [-2, 0, 2], [-1, 0, 1]]) sobel_y = np.array([[1, 2, 1], [0, 0, 0], [-1, -2, -1]]) # 图像填充 padded_img = np.pad(image, ((1, 1), (1, 1)), mode='constant', constant_values=0) gradient_x = np.zeros_like(image) gradient_y = np.zeros_like(image) # 计算 x 和 y 方向梯度 for i in range(image.shape[0]): for j in range(image.shape[1]): region = padded_img[i:i+3, j:j+3] gradient_x[i, j] = np.sum(region * sobel_x) gradient_y[i, j] = np.sum(region * sobel_y) # 计算梯度幅值 gradient_magnitude = np.sqrt(gradient_x**2 + gradient_y**2) gradient_direction = np.arctan2(gradient_y, gradient_x) * (180 / np.pi) gradient_direction[gradient_direction < 0] += 180 # 非极大值抑制 edge_img = np.zeros_like(gradient_magnitude) for i in range(1, gradient_magnitude.shape[0]-1): for j in range(1, gradient_magnitude.shape[1]-1): angle = gradient_direction[i, j] if (0 <= angle < 22.5) or (157.5 <= angle <= 180): q = gradient_magnitude[i, j+1] r = gradient_magnitude[i, j-1] elif 22.5 <= angle < 67.5: q = gradient_magnitude[i+1, j-1] r = gradient_magnitude[i-1, j+1] elif 67.5 <= angle < 112.5: q = gradient_magnitude[i+1, j] r = gradient_magnitude[i-1, j] elif 112.5 <= angle < 157.5: q = gradient_magnitude[i-1, j-1] r = gradient_magnitude[i+1, j+1] if (gradient_magnitude[i, j] >= q) and (gradient_magnitude[i, j] >= r): edge_img[i, j] = gradient_magnitude[i, j] # 双阈值处理 high_threshold = np.max(edge_img) * 0.1 low_threshold = high_threshold * 0.5 strong_edges = (edge_img >= high_threshold) weak_edges = (edge_img >= low_threshold) & (edge_img < high_threshold) final_edges = np.zeros_like(image) final_edges[strong_edges] = 255 final_edges[weak_edges] = 128 return final_edges.astype(np.uint8) ``` 该算法首先使用 Sobel 算子计算图像的梯度幅值和方向，然后进行非极大值抑制和双阈值处理，最终得到边界图像。此方法在不依赖 OpenCV 的情况下实现了图像的边界提取功能。 ###