Canny边缘检测(cv2.Canny())

一、Canny边缘检测

Canny 边缘检测是一种使用多级边缘检测算法检测边缘的方法。

Canny()边缘检测步骤:

Canny 边缘检测分为如下几个步骤:

1.去噪。噪声会影响边缘检测的准确性,因此首先要将噪声过滤掉。

2.计算梯度的幅度与方向。

3.非极大值抑制,即适当地让边缘"变瘦"。

4.确定边缘。使用双阈值算法确定最终的边缘信息。

1. 滤波去除图像噪声

图像边缘容易受到噪声的干扰,为了避免检测到错误的边缘信息,通常需要对图像进行滤波以去除噪声。滤波的目的是平滑一些纹理较弱的非边缘区域,以得到更准确的边缘。滤波,就是通过滤波器(核/模板)对像素点周围的像素加权计算平均值。滤波器的核越大,边缘信息对于噪声的敏感度就越低。不过,核越大,边缘检测的定位错误也会随之增加。

2. 计算梯度

梯度的方向与边缘的方向是垂直的。 边缘检测算子返回水平方向的Gx和垂直方向的Gy。梯度的幅度𝐺和方向𝛩(用角度值表示)为:

3. 非极大值抑制

在获得了梯度的幅度和方向后,遍历图像中的像素点,去除所有非边缘的点。逐一遍历像素点,判断当前像素点是否是周围像素点中具有相同梯度方向的最大值,并根据判断结果决定是否抑制该点。

针对每一个像素点: 如果该点是正/负梯度方向上的局部最大值,则保留该点。如果不是,则抑制该点(归零)。

4. 应用双阈值确定边缘

完成上述步骤后,图像内的强边缘已经在当前获取的边缘图像内。但是,一些虚边缘可能也在边缘图像内。这些虚边缘可能是真实图像产生的,也可能是由于噪声所产生的。对于后者,必须将其剔除。设置两个阈值,其中一个为高阈值 maxVal,另一个为低阈值 minVal。根据当前边缘像素的梯度值(指的是梯度幅度,下同)与这两个阈值之间的关系,判断边缘的属性。具体步骤为:

(1)如果当前边缘像素的梯度值大于或等于 maxVal,则将当前边缘像素标记为强边缘。

(2)如果当前边缘像素的梯度值介于maxVal 与 minVal 之间,则将当前边缘像素标记为虚边缘(需要保留)。

(3)如果当前边缘像素的梯度值小于或等于 minVal,则抑制当前边缘像素。 得到了虚边缘后,需要对其做进一步处理。

通过判断虚边缘与强边缘是否连接,来确定虚边缘到底属于哪种情况。通常情况下,如果一个虚边缘:与强边缘连接,则将该边缘处理为边缘。与强边缘无连接,则该边缘为弱边缘,将其抑制。

二、Canny 函数及使用

edge = cv2.Canny(image, threshold1, threshold2, apertureSize, L2gradient)

image:要检测的图像,通常是灰度图像,必须是单通道图像( CV_8UC1)。

threshold1:阈值1(最小值), 如果像素值小于该值,则被认为不是边缘。

threshold2:阈值2(最大值),如果像素值大于该值,则被认为是强边缘。

apertureSize:sobel算子(卷积核)大小

L2gradient :布尔值。

True:使用更精确的L2范数进行计算(即两个方向的导数的平方和再开方)

False:使用L1范数(直接将两个方向导数的绝对值相加)

复制代码
# canny 边缘检测

import cv2 as cv # 引入CV模块
import numpy as np #引入numpy模块
 
# 1.读取图片
src = cv.imread('2.jpg') #读取图像
print('src.shape=',src.shape)

# 2.转换为灰度图像
gray_img = cv2.cvtColor(src, cv2.COLOR_BGR2GRAY)

# 3.分割图像
[b,g,r ]=cv.split(src)
print('b.shape=',b.shape)

cv.imshow('b',b)
cv.imshow('g',g)
cv.imshow('r',r)

# 4.通道合并
mergesrc = cv.merge([b,g,r]) #合并
cv.imshow('mergesrc',mergesrc)


# 5.边缘检测
edge1=cv.Canny(src,10,50)  #边缘检测
edge2=cv.Canny(src,100,150) #边缘检测
edge3=cv.Canny(src,255,500) #边缘检测
edge4=cv.Canny(src,255,800) #边缘检测

#print('b=',b)
 
# 6.水平拼接edge3和edge4图像
edge5=np.hstack((edge3,edge4))

# 7.显示和保存图像
cv.imshow('src',src)
cv.imshow('edge1',edge1)
cv.imwrite('Canny-edge1.png', edge1) #保存图像
cv.imshow('edge2',edge2)
cv.imwrite('Canny-edge2.png', edge2) #保存图像
cv.imshow('edge3',edge3)
cv.imwrite('Canny-edge3.png', edge3) #保存图像
cv.imshow('edge4',edge4)
cv.imwrite('Canny-edge4.png', edge4) #保存图像

# 8.显示拼接图片
cv.namedWindow('Canny-edge5',0 ) 
cv.imshow('Canny-edge5', edge5)

cv.waitKey()  # 图像不关闭
cv.destroyAllWindows()  # 释放所有窗口 
相关推荐
说私域32 分钟前
基于开源AI大模型AI智能名片S2B2C商城小程序源码的私域流量新生态构建
人工智能·开源
HollowKnightZ39 分钟前
目标姿态估计综述:Deep Learning-Based Object Pose Estimation: A Comprehensive Survey
人工智能·深度学习
加油吧zkf1 小时前
Conda虚拟环境管理:从入门到精通的常用命令
图像处理·深度学习·计算机视觉·conda
算家计算2 小时前
“28项评测23项SOTA——GLM-4.1V-9B-Thinking本地部署教程:10B级视觉语言模型的性能天花板!
人工智能·开源
Codebee2 小时前
OneCode注解驱动:智能送货单系统的AI原生实现
人工智能·低代码
2401_878624792 小时前
pytorch 自动微分
人工智能·pytorch·python·机器学习
胖达不服输2 小时前
「日拱一码」021 机器学习——特征工程
人工智能·python·机器学习·特征工程
Rvelamen2 小时前
大模型安全风险与防护产品综述 —— 以 Otter LLM Guard 为例
人工智能
MARS_AI_2 小时前
大语言模型驱动智能语音应答:技术演进与架构革新
人工智能·语言模型·自然语言处理·架构·信息与通信