python实现canny边缘检测
canny边缘检测原理
canny边缘检测共有5部分组成，下边我会分别来介绍。
1高斯模糊（略）
2计算梯度幅值和方向。
可选用的模板：soble算子、Prewitt算子、Roberts模板等等;
一般采用soble算子，OpenCV也是如此，利用soble水平和垂直算子与输入图像卷积计算dx、dy：
进一步可以得到图像梯度的幅值：
为了简化计算，幅值也可以作如下近似：
角度为：
如下图表示了中心点的梯度向量、方位角以及边缘方向（任一点的边缘与梯度向量正交）：
θ=θm=arctan(dy/dx)(边缘方向）
α=θ+90=arctan(dy/dx)+90（梯度方向）
3、根据角度对幅值进行非极大值抑制
划重点：是沿着梯度方向对幅值进行非极大值抑制，而非边缘方向，这里初学者容易弄混。
例如：3*3区域内，边缘可以划分为垂直、水平、45°、135°4个方向，同样，梯度反向也为四个方向（与边缘方向正交）。因此为了进行非极大值，将所有可能的方向量化为4个方向，如下图：
即梯度方向分别为
α=90
α=45
α=0
α=-45
非极大值抑制即为沿着上述4种类型的梯度方向，比较3*3邻域内对应邻域值的大小：
在每一点上，领域中心x与沿着其对应的梯度方向的两个像素相比，若中心像素为最大值，则保留，否则中心置0，这样可以抑制非极大值，保留局部梯度最大的点，以得到细化的边缘。
4、用双阈值算法检测和连接边缘
1选取系数TH和TL，比率为2:1或3:1。（一般取TH=0.3或0.2,TL=0.1）；
2将小于低阈值的点抛弃，赋0；将大于高阈值的点立即标记（这些点为确定边缘点），赋1或255；
3将小于高阈值，大于低阈值的点使用8连通区域确定（即：只有与TH像素连接时才会被接受，成为边缘点，赋1或255）
python实现
importcv2
importnumpyasnp
m1=np.array([[1,0,-1],[2,0,-2],[1,0,-1]])
m2=np.array([[1,2,1],[0,0,0],[-1,-2,-1]])
frommatplotlibimportpyplotasplt
#第一步：完成高斯平滑滤波
img=cv2.imread("B9064CF1D57871735CE11A0F368DCF27.jpg",0)
sobel=cv2.Canny(img,50,100)
cv2.namedWindow('5',0)
cv2.resizeWindow("5",640,480)
cv2.imshow("5",sobel)#角度值灰度图
img=cv2.GaussianBlur(img,(3,3),2)
#第二步：完成一阶有限差分计算，计算每一点的梯度幅值与方向
img1=np.zeros(img.shape,dtype="uint8")#与原图大小相同
theta=np.zeros(img.shape,dtype="float")#方向矩阵原图像大小
img=cv2.copyMakeBorder(img,1,1,1,1,borderType=cv2.BORDER_REPLICATE)
rows,cols=img.shape
foriinrange(1,rows-1):
forjinrange(1,cols-1):
Gy=[np.sum(m2*img[i-1:i+2,j-1:j+2])]
#Gy=(np.dot(np.array([1,1,1]),(m2*img[i-1:i+2,j-1:j+2]))).dot(np.array([[1],[1],[1]]))
Gx=[np.sum(m1*img[i-1:i+2,j-1:j+2])]
#Gx=(np.dot(np.array([1,1,1]),(m1*img[i-1:i+2,j-1:j+2]))).dot(np.array([[1],[1],[1]]))
ifGx[0]==0:
theta[i-1,j-1]=90
continue
else:
temp=((np.arctan2(Gy[0],Gx[0]))*180/np.pi)+90
ifGx[0]*Gy[0]>0:
ifGx[0]>0:
#第一象线
theta[i-1,j-1]=np.abs(temp)
else:
#第三象线
theta[i-1,j-1]=(np.abs(temp)-180)
ifGx[0]*Gy[0]<0:
ifGx[0]>0:
#第四象线
theta[i-1,j-1]=(-1)*np.abs(temp)
else:
#第二象线
theta[i-1,j-1]=180-np.abs(temp)
img1[i-1,j-1]=(np.sqrt(Gx[0]**2+Gy[0]**2))
foriinrange(1,rows-2):
forjinrange(1,cols-2):
if(((theta[i,j]>=-22.5)and(theta[i,j]<22.5))or
((theta[i,j]<=-157.5)and(theta[i,j]>=-180))or
((theta[i,j]>=157.5)and(theta[i,j]<180))):
theta[i,j]=0.0
elif(((theta[i,j]>=22.5)and(theta[i,j]<67.5))or
((theta[i,j]<=-112.5)and(theta[i,j]>=-157.5))):
theta[i,j]=-45.0
elif(((theta[i,j]>=67.5)and(theta[i,j]<112.5))or
((theta[i,j]<=-67.5)and(theta[i,j]>=-112.5))):
theta[i,j]=90.0
elif(((theta[i,j]>=112.5)and(theta[i,j]<157.5))or
((theta[i,j]<=-22.5)and(theta[i,j]>=-67.5))):
theta[i,j]=45.0
'''
foriinrange(1,rows-1):
forjinrange(1,cols-1):
Gy=[np.sum(m2*img[i-1:i+2,j-1:j+2])]
#Gy=(np.dot(np.array([1,1,1]),(m2*img[i-1:i+2,j-1:j+2]))).dot(np.array([[1],[1],[1]]))
Gx=[np.sum(m1*img[i-1:i+2,j-1:j+2])]
#Gx=(np.dot(np.array([1,1,1]),(m1*img[i-1:i+2,j-1:j+2]))).dot(np.array([[1],[1],[1]]))
ifGx[0]==0:
theta[i-1,j-1]=90
continue
else:
temp=(np.arctan2(Gy[0],Gx[0]))*180/np.pi)
ifGx[0]*Gy[0]>0:
ifGx[0]>0:
#第一象线
theta[i-1,j-1]=np.abs(temp)
else:
#第三象线
theta[i-1,j-1]=(np.abs(temp)-180)
ifGx[0]*Gy[0]<0:
ifGx[0]>0:
#第四象线
theta[i-1,j-1]=(-1)*np.abs(temp)
else:
#第二象线
theta[i-1,j-1]=180-np.abs(temp)
img1[i-1,j-1]=(np.sqrt(Gx[0]**2+Gy[0]**2))
foriinrange(1,rows-2):
forjinrange(1,cols-2):
if(((theta[i,j]>=-22.5)and(theta[i,j]<22.5))or
((theta[i,j]<=-157.5)and(theta[i,j]>=-180))or
((theta[i,j]>=157.5)and(theta[i,j]<180))):
theta[i,j]=90.0
elif(((theta[i,j]>=22.5)and(theta[i,j]<67.5))or
((theta[i,j]<=-112.5)and(theta[i,j]>=-157.5))):
theta[i,j]=45.0
elif(((theta[i,j]>=67.5)and(theta[i,j]<112.5))or
((theta[i,j]<=-67.5)and(theta[i,j]>=-112.5))):
theta[i,j]=0.0
elif(((theta[i,j]>=112.5)and(theta[i,j]<157.5))or
((theta[i,j]<=-22.5)and(theta[i,j]>=-67.5))):
theta[i,j]=-45.0
'''
#第三步：进行非极大值抑制计算
img2=np.zeros(img1.shape)#非极大值抑制图像矩阵
foriinrange(1,img2.shape[0]-1):
forjinrange(1,img2.shape[1]-1):
#0度j不变
if(theta[i,j]==0.0)and(img1[i,j]==np.max([img1[i,j],img1[i+1,j],img1[i-1,j]])):
img2[i,j]=img1[i,j]
if(theta[i,j]==-45.0)andimg1[i,j]==np.max([img1[i,j],img1[i-1,j-1],img1[i+1,j+1]]):
img2[i,j]=img1[i,j]
if(theta[i,j]==90.0)andimg1[i,j]==np.max([img1[i,j],img1[i,j+1],img1[i,j-1]]):
img2[i,j]=img1[i,j]
if(theta[i,j]==45.0)andimg1[i,j]==np.max([img1[i,j],img1[i-1,j+1],img1[i+1,j-1]]):
img2[i,j]=img1[i,j]
#第四步：双阈值检测和边缘连接
img3=np.zeros(img2.shape)#定义双阈值图像
#TL=0.4*np.max(img2)
#TH=0.5*np.max(img2)
TL=50
TH=100
#关键在这两个阈值的选择
foriinrange(1,img3.shape[0]-1):
forjinrange(1,img3.shape[1]-1):
ifimg2[i,j]TH:
img3[i,j]=255
elif((img2[i+1,j]
运行结果如下
以上就是python实现canny边缘检测的详细内容，更多关于canny边缘检测的资料请关注毛票票其它相关文章！
声明：本文内容来源于网络，版权归原作者所有，内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：czq8825#qq.com（发邮件时，请将#更换为@）进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。