我有一个基于边缘检测的问题。我在图像上生成一些线条，并计算沿着线条的梯度。我搜索的点是梯度的最小值。下图说明了我的意思：
下面是我如何计算点数的代码：
sub_img[:,] = median[y, a]
cv2.line(img,(a,y[0]),(a,y[-1]),(0,0,255),3)
grad= np.gradient(sub_img)
edge = np.min(grad)
y_point = np.where(grad == edge)现在我遇到了以下问题：当我在相机流中应用我的代码时，我搜索的点的检测有大约1到2个像素的公差。
对于我的项目，我必须非常准确，我需要相同的迭代结果的流（场景是不动的）。你知道我如何才能稳定检测我的点？
我使用的是最适合我的高分辨率硬件等。所以请只提示哪些是基于软件或必要的数学。
提前感谢！
1条答案
按热度按时间gg0vcinb1#
np.gradient使用有限差分近似来计算导数（除了第一个和最后一个点之外的中心差分）。这对噪声非常敏感。您可能需要在运算中添加一些正则化，以使其对噪声更加鲁棒。在图像处理领域中定义了许多正则化导数算子。最著名的是Sobel算子。最好的一个in many different ways是高斯梯度算子。高斯是最佳正则化滤波器，其sigma参数控制正则化的量。
高斯梯度产生平滑图像的精确梯度。由于您正在测量的边缘是直的，因此平滑不会使其移位：局部极值将与边缘的位置精确匹配。
由于高斯正则化，局部极值将是平滑的，并且您将能够以亚像素精度确定其位置。实际精度仅取决于噪声量和正则化量。