锐客网

  1. 首页 > it技术 > >

python图像边缘opencv_Python+OpenCV图像处理（十三）——|python图像边缘opencv_Python+OpenCV图像处理（十三）—— Canny边缘检测

简介：
1.Canny边缘检测算子是John F. Canny于 1986 年开发出来的一个多级边缘检测算法。
2.Canny 的目标是找到一个最优的
边缘检测算法，最优边缘检测的含义是：
好的检测- 算法能够尽可能多地标识出图像中的实际边缘。
好的定位- 标识出的边缘要尽可能与实际图像中的实际边缘尽可能接近。
最小响应- 图像中的边缘只能标识一次，并且可能存在的图像噪声不应标识为边缘。
3.算法步骤：
①高斯模糊 - GaussianBlur
②灰度转换 - cvtColor
③计算梯度 – Sobel/Scharr
④非最大信号抑制
⑤高低阈值输出二值图像
代码如下：
1 #Canny边缘提取
2 importcv2 as cv3 defedge_demo(image):4 blurred = cv.GaussianBlur(image, (3, 3), 0)5 gray =cv.cvtColor(blurred, cv.COLOR_RGB2GRAY)6 #xgrad = cv.Sobel(gray, cv.CV_16SC1, 1, 0) #x方向梯度
7 #ygrad = cv.Sobel(gray, cv.CV_16SC1, 0, 1) #y方向梯度
8 #edge_output = cv.Canny(xgrad, ygrad, 50, 150)
9 edge_output = cv.Canny(gray, 50, 150)10 cv.imshow("Canny Edge", edge_output)11 dst = cv.bitwise_and(image, image, mask=edge_output)12 cv.imshow("Color Edge", dst)13 src = https://www.it610.com/article/cv.imread('E:/imageload/liu.jpg')14 cv.namedWindow('input_image', cv.WINDOW_NORMAL) #设置为WINDOW_NORMAL可以任意缩放
15 cv.imshow('input_image', src)16 edge_demo(src)17 cv.waitKey(0)18 cv.destroyAllWindows()
注：其中第9行代码可以用6、7、8行代码代替！两种方法效果一样。
运行结果：
python图像边缘opencv_Python+OpenCV图像处理（十三）——|python图像边缘opencv_Python+OpenCV图像处理（十三）—— Canny边缘检测
文章图片

注意：
OpenCV的Canny函数用于在图像中查找边缘，其函数原型有两种：
【python图像边缘opencv_Python+OpenCV图像处理（十三）——|python图像边缘opencv_Python+OpenCV图像处理（十三）—— Canny边缘检测】①直接调用Canny算法在单通道灰度图像中查找边缘，
其函数原型为：Canny(image, threshold1, threshold2[, edges[, apertureSize[, L2gradient]]]) -> edges
image参数表示8位输入图像。
threshold1参数表示设置的低阈值。
threshold2参数表示设置的高阈值，一般设定为低阈值的3倍 (根据Canny算法的推荐)。
edges参数表示输出边缘图像，单通道8位图像。
apertureSize参数表示Sobel算子的大小。
L2gradient参数表示一个布尔值，如果为真，则使用更精确的L2范数进行计算（即两个方向的倒数的平方和再开方），否则使用L1范数（直接将两个方向导数的绝对值相加）。
②使用带自定义图像渐变的Canny算法在图像中查找边缘，
其函数原型为：Canny(dx, dy, threshold1, threshold2[, edges[, L2gradient]]) -> edges
dx参数表示输入图像的x导数（x导数满足16位，选择CV_16SC1或CV_16SC3）
dy参数表示输入图像的y导数（y导数满足16位，选择CV_16SC1或CV_16SC3）。
threshold1参数表示设置的低阈值。
threshold2参数表示设置的高阈值，一般设定为低阈值的3倍 (根据Canny算法的推荐)。
edges参数表示输出边缘图像，单通道8位图像。
L2gradient参数表示L2gradient参数表示一个布尔值，如果为真，则使用更精确的L2范数进行计算（即两个方向的倒数的平方和再开方），否则使用L1范数（直接将两个方向导数的绝对值相加）。
参考：

    推荐阅读


    上一篇：python统计数据画概率曲线_利用Python实现并解释概率图形

    下一篇：python密度函数曲线_python – 用matplotlib样本绘制概率密度函数