Andrea's Wiki

外观

边缘检测算法 ​

边缘检测算法是 edge_detect_pixelize.py 和 grid_sampling_pixelize.py 的基础，用于识别图像中的像素网格边界。

算法概述 ​

边缘检测算法通过寻找图像中梯度变化剧烈的位置来识别网格线。像素风格的图像通常在像素边界处有明显的梯度变化。

核心思想 ​

高梯度 → 可能是像素边界
低梯度 → 像素内部

Sobel 边缘检测 ​

原理 ​

Sobel 算子是一种离散微分算子，用于计算图像的梯度近似值。

水平 Sobel 算子 ​

Gx = [-1  0  1]
     [-2  0  2]
     [-1  0  1]

检测垂直边缘（水平方向变化）。

垂直 Sobel 算子 ​

Gy = [-1 -2 -1]
     [ 0  0  0]
     [ 1  2  1]

检测水平边缘（垂直方向变化）。

实现代码 ​

python
import cv2
import numpy as np

# 转换为灰度图
gray = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)

# 计算梯度
sobel_x = cv2.Sobel(gray, cv2.CV_64F, 1, 0, ksize=3)
sobel_y = cv2.Sobel(gray, cv2.CV_64F, 0, 1, ksize=3)

# 计算梯度幅值
sobel_magnitude = np.sqrt(sobel_x**2 + sobel_y**2)

# 归一化到 0-1
sobel_x = np.abs(sobel_x) / np.max(sobel_x)
sobel_y = np.abs(sobel_y) / np.max(sobel_y)

投影分析 ​

原理 ​

将二维边缘图投影到一维空间，简化峰值检测。

水平投影 ​

python
# 垂直边缘的水平投影（检测垂直网格线）
h_projection = np.sum(edges_x, axis=0)

垂直投影 ​

python
# 水平边缘的垂直投影（检测水平网格线）
v_projection = np.sum(edges_y, axis=1)

投影优势 ​

  1. 简化问题：从二维降到一维
  2. 抗噪声：投影过程平均了噪声
  3. 快速计算：一维峰值检测更快

峰值检测 ​

局部最大值检测 ​

python
def find_local_maxima(signal, min_distance):
    peaks = []
    for i in range(1, len(signal) - 1):
        if signal[i] > signal[i-1] and signal[i] > signal[i+1]:
            peaks.append(i)

    # 过滤太近的峰值
    filtered = []
    for peak in peaks:
        if not filtered or peak - filtered[-1] >= min_distance:
            filtered.append(peak)

    return filtered

scipy.signal.find_peaks ​

更强大的峰值检测方法：

python
from scipy.signal import find_peaks

peaks, properties = find_peaks(
    signal,
    distance=min_distance,           # 峰值之间的最小距离
    prominence=prominence_threshold,  # 峰值的显著性
    height=height_threshold            # 峰值的最小高度
)

平滑处理 ​

python
kernel_size = max_grid_size
kernel = np.ones(kernel_size) / kernel_size
smoothed = np.convolve(signal, kernel, mode='same')

平滑可以减少噪声对峰值检测的影响。

多尺度边缘检测 ​

不同核大小 ​

python
edges_combined = np.zeros_like(gray, dtype=float)

for ksize in [3, 5, 7]:
    # Sobel边缘检测
    sobel_x = cv2.Sobel(gray, cv2.CV_64F, 1, 0, ksize=ksize)
    sobel_y = cv2.Sobel(gray, cv2.CV_64F, 0, 1, ksize=ksize)

    # 计算梯度幅值
    sobel_magnitude = np.sqrt(sobel_x**2 + sobel_y**2)

    edges_combined += sobel_magnitude

# 归一化
edges_combined = edges_combined / edges_combined.max()

优势 ​

  • 多尺度检测：不同尺度的网格线
  • 鲁棒性：减少对单一核大小的依赖
  • 完整性：捕获不同粗细的边缘

Laplacian 边缘检测 ​

原理 ​

Laplacian 算子检测二阶导数，对边缘变化更敏感。

python
laplacian = cv2.Laplacian(gray, cv2.CV_64F, ksize=3)
laplacian = np.abs(laplacian)

特点 ​

  • 对噪声敏感
  • 检测零交叉点
  • 可以检测边缘的两侧

Canny 边缘检测 ​

原理 ​

Canny 是一种多阶段边缘检测算法：

  1. 高斯模糊降噪
  2. Sobel 梯度计算
  3. 非极大值抑制
  4. 双阈值检测
  5. 边缘跟踪
python
canny = cv2.Canny(gray, 50, 150)

特点 ​

  • 检测细边缘
  • 低错误率
  • 良好的定位

网格线生成 ​

从检测线到规律网格 ​

python
def create_regular_grid(detected_lines, image_size):
    # 计算网格间距
    spacings = np.diff(detected_lines)

    # 找到最常见的间距（众数）
    from scipy.stats import mode
    common_spacing = mode(spacings, keepdims=True).mode[0]

    # 创建规律网格
    regular_grid = np.arange(0, image_size, common_spacing)

    # 确保包含边界
    if regular_grid[-1] < image_size:
        regular_grid = np.append(regular_grid, image_size)

    return regular_grid.astype(int)

优势 ​

  • 将不规则的检测线转换为规律网格
  • 填充整个图像
  • 保持大致的网格密度

参数影响 ​

edge-threshold ​

边缘检测阈值，控制边缘的敏感度。

python
# 低阈值
edges_x = (sobel_x > 0.05).astype(np.uint8)

# 高阈值
edges_x = (sobel_x > 0.2).astype(np.uint8)

min-grid-size / max-grid-size ​

网格尺寸范围，控制检测的粒度。

python
# 精细网格
min_grid_size = 2
max_grid_size = 8

# 粗糙网格
min_grid_size = 10
max_grid_size = 20

peak-prominence ​

峰值显著性阈值，控制峰值的突出程度。

python
# 低显著性
peaks = find_peaks(signal, prominence=0.05 * signal.max())

# 高显著性
peaks = find_peaks(signal, prominence=0.2 * signal.max())

min-distance ​

峰值之间的最小距离，防止检测到过于密集的峰值。

python
# 小间距
peaks = find_peaks(signal, distance=3)

# 大间距
peaks = find_peaks(signal, distance=10)

算法对比 ​

方法优点缺点适用场景
Sobel简单快速对噪声敏感规则网格
Laplacian对边缘变化敏感噪声敏感清晰边缘
Canny低错误率参数多复杂图像
多尺度多尺度检测计算量大不规则网格

性能优化 ​

1. 降采样 ​

python
# 先降采样再检测
small_gray = cv2.resize(gray, None, fx=0.5, fy=0.5)
# ... 检测
# 将结果放大回原始尺寸
lines = [line * 2 for line in detected_lines]

2. ROI 处理 ​

python
# 只处理感兴趣的区域
roi = gray[y1:y2, x1:x2]
# ... 检测
lines = [line + x1 for line in detected_lines]

3. 并行处理 ​

python
# 并行处理水平和垂直边缘
from concurrent.futures import ThreadPoolExecutor

with ThreadPoolExecutor(max_workers=2) as executor:
    h_future = executor.submit(detect_horizontal_edges, gray)
    v_future = executor.submit(detect_vertical_edges, gray)
    h_lines = h_future.result()
    v_lines = v_future.result()

适用场景 ​

最适合 ​

  • 边缘清晰的像素风格图像
  • 规则或近似规则的网格
  • 需要快速处理的场景
  • 调试和可视化需求

不适合 ​

  • 极其模糊的图像
  • 完全不规则的网格
  • 复杂的 AI 生成图像（推荐使用能量图算法）

扩展可能性 ​

  1. 机器学习：训练模型预测网格线
  2. 深度学习：使用 CNN 进行网格检测
  3. 自适应阈值：根据局部特性动态调整
  4. 多模态融合：结合多种边缘检测方法

← 返回用户指南