opencv - 在彩色图像上使用精明

首页 > 解决方案 > 在彩色图像上使用精明

问题描述

我是图像处理和opencv的新手，但最近我正在研究边缘检测的想法，对此我有疑问：

canny 可以直接应用于彩色图像而不将其转换为灰度吗？这会影响结果吗？我试过了（使用 c++ opnencv 函数）没有错误或问题，结果与我将图像更改为灰度后的结果不同。
我读到对于彩色图像，我应该分别在每个通道上应用 canny，然后组合结果.. 好吧，假设每个通道有 3 个结果，我如何将它们组合在一起以获得最终结果？
处理灰度图像是否真的比彩色图像更快，因为在后者我们有 3 个通道（逻辑上看起来是的，但没有参考比较每种方法的优缺点；我所拥有的只是灰度更快，而对于图像分割彩色图像可以提供更多信息）在边缘检测的概念中使用彩色图像是否更好？

标签： opencvedge-detection

解决方案

如果你接受 python，那么你可以这样做：

对于第二个问题：

1. 使用分离通道split的方法分离通道，对每个通道Canny应用不同的阈值电平，然后使用merge组合结果的方法。

import cv2   

img = cv2.imread("grl.jpg")
(B, G, R) = cv2.split(img)
B_cny = cv2.Canny(B, 50, 200)
G_cny = cv2.Canny(G, 50, 200)
R_cny = cv2.Canny(R, 50, 200)
img_cny = cv2.merge([B_cny, G_cny, R_cny])

结果：
可能的问题：为什么split返回B、G和R？
答：opencv以(BGR)格式读取图像，因此split返回(B, G, R)格式
您也可以直接应用于图像（感谢@fmw42）：
结果：

对于第三个问题：

是的，处理灰度图像比彩色图像快得多。
我们看到不同颜色的图像，但计算机看到的是一个值矩阵：
- 例如：
  - ```
  25 45 67 37 90 ..
  56  .
  46     .     
  34        .
  13           .
  .
  .
```
- 矩阵中的每个单元格可以在 0-255 之间变化。灰度图像（矩阵）只有 1 个通道，彩色图像有 3 个通道（矩阵）
- 因此，您可以认为计算单矩阵（灰色）比计算 3 矩阵（图像）要快

推荐阅读