Python – 使用 Pillow 进行边缘检测

边缘检测是一门图像处理学科，它结合了数学方法来查找数字图像中的边缘。边缘检测在内部通过在数字图像上运行过滤器/内核来工作，该过滤器/内核检测图像区域中的不连续性，例如像素的亮度/强度值的明显变化。

边缘检测有两种形式：

• 基于搜索的边缘检测（一阶导数）
• 基于零交叉的边缘检测（二阶导数）

一些常见的边缘检测方法有：

• 拉普拉斯算子或基于拉普拉斯算子的边缘检测（二阶导数）
• Canny 边缘检测器（一阶导数）
• Prewitt运算符（一阶导数）
• Sobel算子（一阶导数）

我们将实现一个拉普拉斯算子，以便在我们后面的一个示例中结合边缘检测。为此，我们将使用pillow库。要安装库，请在命令行中执行以下命令：

pip install pillow

注意：-一些 Linux 发行版倾向于预先安装Python和 Pillow。

有两种方法可以在我们的图像上实现边缘检测。在第一种方法中，我们将使用枕头库 ( ImageFilter.FIND_EDGES ) 中提供的内置方法进行边缘检测。在第二个中，我们将使用PIL.ImageFilter.Kernel()创建一个拉普拉斯滤波器，然后使用该滤波器进行边缘检测。

拉普拉斯内核：-

示例图像：-

方法一：

Python3

from PIL import Image, ImageFilter
  
  
# Opening the image (R prefixed to string
# in order to deal with '\' in paths)
image = Image.open(r"Sample.png")
  
# Converting the image to grayscale, as edge detection 
# requires input image to be of mode = Grayscale (L)
image = image.convert("L")
  
# Detecting Edges on the Image using the argument ImageFilter.FIND_EDGES
image = image.filter(ImageFilter.FIND_EDGES)
  
# Saving the Image Under the name Edge_Sample.png
image.save(r"Edge_Sample.png")

输出（Edge_Sample.png）：

解释：-

首先，我们使用Image.open()创建图像的图像对象。然后我们将图像颜色模式转换为灰度，因为拉普拉斯运算符的输入是灰度模式（通常）。然后我们通过指定ImageFilter.FIND_EDGES参数将图像传递给Image.filter()函数，该参数依次在图像顶部运行边缘检测内核。上述函数的输出导致图像具有高强度变化（边缘）为白色阴影，而图像的其余部分为黑色。

方法二：

Python3

from PIL import Image, ImageFilter
  
img = Image.open(r"sample.png")
  
# Converting the image to grayscale, as Sobel Operator requires
# input image to be of mode Grayscale (L)
img = img.convert("L")
  
# Calculating Edges using the passed laplican Kernel
final = img.filter(ImageFilter.Kernel((3, 3), (-1, -1, -1, -1, 8,
                                          -1, -1, -1, -1), 1, 0))
  
final.save("EDGE_sample.png")

输出（EDGE_sample.png）：

解释：-

首先，我们使用Image.open()创建图像的图像对象。然后我们将图像颜色模式转换为灰度，因为拉普拉斯运算符的输入是灰度模式（通常）。然后我们通过在函数内指定我们的运算符/Kernel 作为参数将图像传递给Image.filter()函数。内核是通过使用ImageFilter.Kernel((3, 3), (-1, -1, -1, -1, 8, -1, -1, -1, -1), 1, 0))指定的创建一个 3 X 3 内核（3 像素宽和 3 像素长），其值为(-1, -1, -1, -1, 8, -1, -1, -1, -1) （如拉普拉斯内核图像）。 1参数（在内核之后）代表 Scale 值，它在每次内核操作后除以最终值，因此我们将该值设置为 1，因为我们不希望对最终值进行任何除法。 0参数（在 Scale 值之后）是在除以 Scale 值之后添加的偏移量。我们将该值设置为 0，因为我们不希望内核卷积之后的最终强度值有任何增量。上述函数的输出导致图像具有高强度变化（边缘）为白色阴影，而图像的其余部分为黑色。

附录——

这两个程序产生了相同的结果。原因是内置函数ImageFilter.FIND_EDGE在内部使用 3 X 3 大小的拉普拉斯内核/运算符。因此，我们最终得到了相同的结果。使用内核而不是依赖内置函数的好处是我们可以根据需要定义内核，这些内核可能/可能不在库中。比如我们可以为模糊、锐化、边缘检测（使用其他内核）等创建一个内核。另外，我特意选择了拉普拉斯算子，以便我们可以保持结果的一致性。

使用拉普拉斯算子的好处：-
快速而体面的结果。其他常见的边缘检测器，如 Sobel（一阶导数），计算成本更高，因为它们需要在两个方向上找到梯度，然后对结果进行归一化。

使用拉普拉斯算子的缺点：-
与拉普拉斯核卷积会导致输出中出现大量噪声。其他边缘检测方法（例如 Sobel、Perwitt Operator 等）解决了这个问题。因为它们具有内置的高斯模糊内核。这减少了从输入图像中获得的噪声。由于找到它们涉及的计算量更高，它们还导致更准确的边缘检测。