- 综合排序
- 最热优先
- 最新优先
- 来自专栏深度学习和计算机视觉
机器视觉边缘检测算法详解
边缘检测相关算法的步骤如下： 1、滤波： 边缘检测算法主要是基于图像强度的一阶和二阶导数，但导数的计算对噪声很敏感，因此必须使用滤波器来改善与噪声有关的边缘检测器的性能。 最简单的边缘检测判据是梯度幅值阈值判据。 4、定位： 如果某一应用场合要求确定边缘位置，则边缘的位置可在子像素分辨率上来估计，边缘的方位也可以被估计出来。 边缘检测是机器视觉检测技术的一种，在边缘检测算法中，前三个步骤用得十分普遍。这是因为大多数场合下，仅仅需要边缘检测器指出边缘出现在图像某一像素点的附近，而没有必要指出边缘的精确位置或方向。 图像灰度的变化情况可以用图像灰度分布的梯度来反映，因此我们可以用局部图像微分技术来获得边缘检测算子。经典的边缘检测方法，是通过对原始图像中像素的某小邻域构造边缘检测算子来达到检测边缘这一目的的。 边缘检测是主要应用有： 检测芯片针脚是否规则整齐、目标定位以及存在/缺陷检测等。基于边缘检测技术的应用，为行业的高精度检测及尺寸测量提供了强大的技术支持。
83230编辑于 2022-02-14 - 来自专栏wym
OpenCV-3计算机视觉（Canny边缘检测）
Canny边缘检测算法非常复杂，但也很有趣，它分5个步骤，即使用高斯滤波器对图像进行去噪，计算梯度，在边缘上 使用非最大抑制（NMS），在检测到的边缘上使用双（double）阈值去除假阳性（false positive）,最后还会分析所有的边缘之间的联系，以保留真正的边缘消除不明显的边缘 例如 import cv2 img=cv2.imread('lbld.jpg') cv2.imwrite('lbld.jpg
96240发布于 2018-08-30 - 来自专栏全栈程序员必看
视觉里程计原理_视觉定位和里程计辅助定位
143 Ptr<DescriptorMatcher> matcher = DescriptorMatcher::create("BruteForce-Hamming"); 144 //-- 第一步:检测
96330编辑于 2022-09-20 - 来自专栏全栈程序员必看
视觉里程计简介
这篇博客主要讲述一个简单的视觉里程计 (Visual Odometry) 的实现。整个流程较为简单, 后续在此基础上对效率精度进一步提高。 本文对应的源码: github 什么是视觉里程计？ 首先我们看一看维基百科的介绍 视觉里程计介绍. 在机器人和计算机视觉问题中, 视觉里程计就是一个通过分析处理相关图像序列来确定机器人的位置和姿态。 确定机器人轨迹的方法有很多, 这里主要介绍的是视觉里程计. 单目或立体视觉里程计 主要阐述两者之间的优缺点, 立体视觉里程计的优点在于可以估算出精确的轨迹, 单目估计的轨迹和一个比例因子 (scale factor) 有关, 因此对于单目 VO, 可以说的是机器人在 ，但是在实用的角度（比如考虑效率）人工特征提取还很有必要，计算机视觉中常用的图像特征包括：点，边缘，直线，曲线等。
2.8K10编辑于 2022-09-07 - 来自专栏点云PCL
VO视觉里程计
1 简介 VO（Visual Odometry）视觉里程计是通过车载摄像头或移动机器人的运动所引起的图像的变化，以逐步估计车辆姿态的过程。 SLAM的目标是实现里程计和地图的全局一致性。 VO可以用作slam的构建模块。 VO在SLAM回环检测之前。 VO和V-SLAM之间的选择取决于性能和一致性之间，以及实现的简单性的权衡。 角点具有较高的定位精度 角点检测器适用于VO E.g., Harris, Shi-Tomasi, SUSAN, FAST 一个Blob是图像块，它不是一个角，并在强度和质地上明显不同于它的相邻像素。
2.8K50发布于 2019-07-30 超越像素的视觉：亚像素边缘检测原理、方法与实战
在计算机视觉领域，单个像素常常会成为我们测量能力的极限——但这并非无法突破。在计量学和精密机器人等领域，哪怕仅仅一个像素的误差，都可能转化为微米级的实际偏差。 为了突破传感器物理极限，工程师们采用了一种强大的技术：亚像素边缘检测。亚像素边缘检测并非要换用更好的相机，而是要从相同的像素中提取更多信息。 通过建模相邻像素间的灰度变化规律，我们可以用数学方法估算出边缘的精确位置，实现亚像素级精度。本文将深入解析亚像素边缘检测的原理、背后的数学基础，以及它为何能成为高精度视觉系统的核心技术。 第五步，滞后阈值处理：在检测并连接完所有亚像素边缘点之后，接下来的挑战是判断哪些边缘是可靠的，哪些只是噪声。这最后一步应用了一个称为滞后阈值法的过程，类似于Canny边缘检测器中使用的方法。 算法的输出效果可以在下面的示例图中看到：通过结合梯度分析、边缘链接和滞后阈值处理，这种方法将原始的图像梯度转化为了精确、连续的边缘轮廓，可直接用于任何高精度的计算机视觉应用中。
1.6K10编辑于 2025-11-17- 来自专栏CodecWang
11: 边缘检测
目标 Canny边缘检测的简单概念 OpenCV函数：cv2.Canny() 教程 Canny边缘检测方法常被誉为边缘检测的最优方法，废话不多说，先看个例子： import cv2 import numpy Canny边缘检测 Canny边缘提取的具体步骤如下： 1，使用5×5高斯滤波消除噪声： 边缘检测本身属于锐化操作，对噪点比较敏感，所以需要进行平滑处理。 先阈值分割后检测 其实很多情况下，阈值分割后再检测边缘，效果会更好： _, thresh = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU 练习 （选做）如果你不太理解高低阈值的效果，创建两个滑动条来调节它们的值看看： 小结 Canny是用的最多的边缘检测算法，用cv2.Canny()实现。 接口文档 cv2.Canny() 引用 本节源码 Canny Edge Detection Canny 边缘检测 Canny J .
80820编辑于 2021-12-07 - 来自专栏AI异构
OpenCV 边缘检测
OpenCV 边缘检测 Canny算子 Canny 边缘检测算子，其算法步骤大体如下： 1) 用高斯滤波器对输入图像做平滑处理 (大小为 5x5 的高斯核) ? 角度方向近似为四个可能值，即 0, 45, 90, 135 3) 对图像的梯度强度进行非极大抑制 可看做边缘细化：只有候选边缘点被保留，其余的点被移除 4) 利用双阈值检测和连接边缘 若候选边缘点大于上阈值 Laplace算子 索贝尔算子 (Sobel) 和拉普拉斯算子 (Laplace) 都是用来对图像进行边缘检测的，不同之处在于，前者是求一阶导，后者是求二阶导。 ? 因此，对于 Sobel 和 Scharr 函数，通常各自求其 x 和 y 方向的导数，然后通过加权来进行边缘检测。 /xinxue/p/5348743.html [OpenCV3编程入门读书笔记5-边缘检测]https://www.cnblogs.com/justkong/p/7297836.html
1.2K10发布于 2020-07-29 - 来自专栏机器视觉那些事儿
边缘缺陷检测
首先，阈值分割+形态学处理，将包含边缘部分图像进行抠图 然后使用canny滤波器进行边缘检测 如下图红、绿双线 ? 将凸起部分平滑掉，细节如下右图 ? 计算待检测边缘上的点到平滑后边缘的距离，超过一定阈值公差即为缺陷 如下图 ? 缺陷检测关键代码 *选择待检测边缘 select_obj(UnionContours, ObjectSelected, Index) *平滑边缘 smooth_contours_xld :=[] *用于保存缺陷边缘Y坐标 flawPtsY :=[] *得到待检测边缘点坐标 get_contour_xld(ObjectSelected, Row2, Col2) *待检测边缘上点到平滑边缘的距离 tuple_length(Row2, Length) for Index1 := 0 to Length-
2.5K20发布于 2019-06-19 - 来自专栏用户6291251的专栏
OpenCV：边缘检测。
边缘在人类视觉和计算机视觉中均起着重要的作用。 人类能够仅凭一张背景剪影或一个草图就识别出物体类型和姿态。 其中OpenCV提供了许多边缘检测滤波函数，这些滤波函数都会将非边缘区域转为黑色，将边缘区域转为白色或其他饱和的颜色。 不过这些滤波函数都很容易将噪声错误地识别为边缘，所以需要进行模糊处理。 边缘检测则是使用OpenCV的Canny函数实现，算法虽然很复杂，但是代码却很简单。 下面就来实现一下「跳一跳」的边缘检测，得以获取方块的中心位置。 / 01 / 边缘检测 Canny边缘检测代码如下。 下面是原图像灰度图和边缘检测图像。 ? 接下来，通过边缘检测图像找到方块的第一个顶点(上顶点)。
2K20发布于 2020-10-09 - 来自专栏python全栈教程专栏
边缘算法检测
边缘算法检测。注意事项：前提是你配置好了opencv，如何配置请看我之前发过的文章。 cvtColor(img, gray, COLOR_BGR2GRAY); // // 均值滤波 // blur(gray, gray, Size(3, 3)); // // 边缘检测
55320发布于 2021-10-18 - 来自专栏全栈程序员必看
Canny边缘检测
Canny边缘检测是一种非常流行的边缘检测算法，是John Canny在1986年提出的。它是一个多阶段的算法，即由多个步骤构成。 我们知道梯度算子可以用于增强图像，本质上是通过增强边缘轮廓来实现的，也就是说是可以检测到边缘的。但是，它们受噪声的影响都很大。 lenna = cv2.imread("images\\lenna.png", 0) # 图像降噪 lenna = cv2.GaussianBlur(lenna, (5, 5), 0) # Canny边缘检测 因此，实施Canny边缘检测时，需要在Canny函数外面执行图像降噪的过程。 调整low和high双阈值，能够得到不同的边缘效果。 = cv2.imread("images\\lenna_gauss.png", 0) # 图像降噪 lenna = cv2.GaussianBlur(lenna, (5, 5), 0) # Canny边缘检测
1K30编辑于 2022-09-02 - 来自专栏人工智能之视觉领域
人工智能之视觉领域 计算机视觉 第八章 图像边缘检测
人工智能之视觉领域计算机视觉第八章图像边缘检测@TOC前言：什么是边缘？在日常生活中，我们很容易识别物体的轮廓。在计算机视觉中，“边缘”是指图像中亮度发生急剧变化的地方。 核心算法Canny边缘检测Canny算法是边缘检测的经典方法，其主要步骤包括：降噪处理：使用高斯滤波器平滑图像，以减少噪声。计算梯度强度和方向：通过Sobel算子计算每个像素点的梯度强度和方向。 ，直接进行边缘检测可能会导致大量的假边缘出现。 通过本章的学习，你应该已经掌握了如何使用Canny、Sobel以及Laplacian算子进行边缘检测的方法，并且能够根据具体的应用场景选择合适的边缘检测策略。 接下来，我们将探索更多高级的计算机视觉技术，例如特征匹配和对象识别等。
17310编辑于 2026-02-17 - 来自专栏RTSP服务器
视觉系统的秩序：从滤波、边缘检测到形态学操作
三、边缘检测：让系统“看见形状” 边缘，是结构的语言。它让系统知道，世界的“分界”在哪里。 在工程系统中，边缘检测的角色早已超越“找线条”。 它常被用于： 提升 AI 模型的感知精度； 在渲染端实现实时锐化与对比增强； 支撑基于结构感知的运动检测与场景分割。 一个好的边缘算法，不追求让图像更锋利，而是让系统对形态变化更敏感，对结构差异更有觉察力。 边缘，让视觉从“看见像素”变为“理解形状”。 今天，许多现代音视频系统都在尝试将这些视觉原理“系统化”，让滤波、边缘检测、形态学等经典方法不再停留在图像层面，而成为实时视频流的底层逻辑。 开发者或许从未显式调用过滤波或边缘检测的算子，但每一次播放、推流、转码的稳定性与清晰度，都在无声地体现这些底层原则的存在。
20010编辑于 2025-10-31 - 来自专栏米尔电子
工业视觉网关：RK3576赋能多路检测与边缘AI
RK3576 工业视觉网关的差异化价值：12路 1080P@30fps 并发采集H.264/H.265 硬件编解码端到端延迟约 120~150ms6TOPS NPU 边缘AI推理易对接 MES / 追溯系统一 二、方案核心：多路检测 + 编解码 + 边缘AI + MES对接多路并发采集RK3576 提供 3×4-lane MIPI-CSI，配合视频转换模块可并发接入 12路 1080P@30fps。 边缘AI推理6TOPS NPU 支持缺陷检测（焊点/丝印/划伤）、尺寸测量、异常动作识别等模型，先筛后存，减少云侧负载。 三、典型落地场景· AOI自动光学检测：多角度对比 + 边缘AI判定，降低 DPMO，提升 FPY。· 工序/装配监控：对漏装/错装/姿态异常进行实时识别与拦截，减少返工。 四、价值总结基于米尔 RK3576 的工业视觉网关，将 “多路检测 + 硬编硬解 + 边缘AI + MES集成” 融为一体：在保障画质与时延的同时，显著降低系统复杂度与总体成本，并以数据闭环驱动良率持续提升
33110编辑于 2025-10-16 - 来自专栏Halcon
边缘检测算子
MaterialDesignPaper}" FontFamily="Microsoft YaHei Light" Name="RootWindow" Title="Halcon边缘检测
41710编辑于 2024-08-30 - 来自专栏全栈程序员必看
Canny算子–边缘检测
Canny边缘检测算法的序幕。 Canny边缘检测是从不同视觉对象中提取有用的结构信息并大大减少要处理的数据量的一种技术，目前已广泛应用于各种计算机视觉系统。 Canny发现，在不同视觉系统上对边缘检测的要求较为类似，因此，可以实现一种具有广泛应用意义的边缘检测技术。 边缘检测的一般标准包括： 1) 以低的错误率检测边缘，也即意味着需要尽可能准确的捕获图像中尽可能多的边缘。 2) 检测到的边缘应精确定位在真实边缘的中心。 由于它具有满足边缘检测的三个标准和实现过程简单的优势，成为边缘检测最流行的算法之一。
5.5K31编辑于 2022-08-31 - 来自专栏点云PCL
GPS辅助视觉轮速里程计
Sanchez-Cuevas, Antoine Richard and Miguel Olivares-Mendez 编辑：点云PCL 摘要 本文介绍了一种新颖的用于地面机器人的GPS辅助视觉轮速里程计 该状态估计算法通过多状态约束卡尔曼滤波器（MSCKF）紧融合了视觉、轮式编码器和GPS测量。 通过可观化分析和使用真实世界的视觉和轮式编码器测量值以及模拟的GPS测量验证，确保了这个外参的收敛性。此外文中提出了一个新颖的理论发现，即对于特定的卡尔曼滤波系统，不可观状态的方差可以收敛到零。
53110编辑于 2024-01-24 - 来自专栏3D视觉从入门到精通
计算机视觉方向简介 | 视觉惯性里程计(VIO)
VIO-SLAM Visual-Inertial Odometry（VIO）即视觉惯性里程计，有时也叫视觉惯性系统（VINS，visual-inertial system），是融合相机和IMU数据实现SLAM 其中VO（visual odometry）指仅视觉的里程计，T表示位置和姿态。松耦合中视觉运动估计和惯导运动估计系统是两个独立的模块，将每个模块的输出结果进行融合。 ? 局部优化是滑动窗口内相机帧的优化，全局优化是所有关键帧的优化，两者结合会产生边缘帧冲突的问题，因为局部优化会固定滑动窗口边缘帧，而全局优化发生回环检测的时候则会固定回环起点的帧。 局部边缘化和全局边缘化的结合部分是关键帧。 相对边缘化可以具体解释为，相对边缘化的参考坐标系不再是世界坐标系，而是与当前帧共视且距离最近的一个关键帧的相机系（设为第k0帧）。视觉约束可以表示为： ? 区别于绝对边缘化的视觉约束 ? 实验结果与总结 实验一：无人机数据集上的实验 数据集采用了欧盟机器人挑战数据集（EuRoC）。
6.4K30发布于 2021-04-09 - 来自专栏3D视觉从入门到精通
Canny-VO: 基于几何3D-2D边缘对准的RGB-D视觉里程计
摘要 本文回顾了自由曲线配准的经典问题, 并将其应用于一个有效的称为Canny-VO的RGBD视觉里程计系统, 因为它能有效地跟踪从图像中提取的所有Canny边缘特征. 导言 基于图像的摄像机运动估计称为视觉里程计(VO). 在许多应用中起着重要作用, 例如无人移动机器人的控制和导航, 特别是当没有外部参考信号可用时. 考虑到边缘检测器是在不变关键点提取器之前发现的, 毫不奇怪, 计算机视觉领域的开创性工作, 如[13]设想了整个3D曲线的映射和配准, 虽然基于稀疏点的方法已被证明非常有效地从运动的结构反问题中减去对应问题 基于最近邻场的实时RGB-D视觉里程计系统, 通过将基于3D-2D ICP的运动估计公式化为最大后验概率问题来实现鲁棒跟踪 对可公开获得的RGB-D数据集进行了广泛的评估, 并对性能进行了比较, 证明了与以前最先进的边缘对齐方法相比的改进 由于边缘对齐方法依赖于精确的Canny边缘检测，因此看到[47]在几个序列上表现更好也就不足为奇了, 在之前数据集中, 由于剧烈的旋转会出现显著的图像模糊.
82020发布于 2021-01-04
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号