Python实现Opencv cv2.Canny()边缘检测_Python

这篇博客将介绍canny边缘检测的概念，并利用cv2.canny()实现边缘检测；

canny边缘检测是一种流行的边缘检测算法。它是由约翰f开发的，是一个多阶段的算法；
canny边缘检测大致包含4个步骤：
- 降噪（使用高斯滤波去除高频噪声）；
- 计算边缘梯度和方向（sobelx、sobley核在水平方向和垂直方向对平滑后的图像进行滤波，找到每个像素的边缘梯度和方向）；
- 非最大抑制（在得到梯度大小和方向后，对图像进行全扫描，去除任何不需要的像素，这些像素可能不构成边缘。检查像素是否在其梯度方向的邻域中是局部最大值。否则，将被抑制（归零）。简而言之，得到的结果是一个具有“细边”的二值图像。
- 滞后阈值（决定哪些边是真正的边，哪些不是。为此需要两个阈值minval和maxval，任何强度梯度大于maxval的边都肯定是边，小于minval的边肯定是非边，因此丢弃。位于这两个阈值之间的边根据其连通性被分类为边或非边。如果它们连接到“确定边缘”像素，则它们被视为边缘的一部分。否则，它们也会被丢弃。）

选择滞后阈值minval和maxval是得到正确结果的关键。

1. 效果图

原始图 vs canny检测效果图如下：

Python实现Opencv cv2.Canny()边缘检测

2. 源码

				?

									# canny边缘检测是一种流行的边缘检测算法。它是由约翰f开发的，是一个多阶段的算法；

									# canny边缘检测大致包含4个步骤：

									# 

									# 1.降噪（使用高斯滤波去除高频噪声）；

									# 2. 计算边缘梯度和方向（sobelx、sobley核在水平方向和垂直方向对平滑后的图像进行滤波，找到每个像素的边缘梯度和方向）；

									# 3. 非最大抑制（在得到梯度大小和方向后，对图像进行全扫描，去除任何不需要的像素，这些像素可能不构成边缘。检查像素是否在其梯度方向的邻域中是局部最大值。否则，将被抑制（归零）。简而言之，得到的结果是一个具有“细边”的二值图像。

									# 4. 滞后阈值（决定哪些边是真正的边，哪些不是。为此需要两个阈值minval和maxval，任何强度梯度大于maxval的边都肯定是边，小于minval的边肯定是非边，因此丢弃。位于这两个阈值之间的边根据其连通性被分类为边或非边。如果它们连接到“确定边缘”像素，则它们被视为边缘的一部分。否则，它们也会被丢弃。）

									# 

									# 选择滞后阈值minval和maxval是得到正确结果的关键。

									import cv2

									from matplotlib import pyplot as plt

									img = cv2.imread('zly.jpg', 0)

									edges = cv2.canny(img, 80, 200)

									plt.subplot(121), plt.imshow(img, cmap='gray')

									plt.title('original image'), plt.xticks([]), plt.yticks([])

									plt.subplot(122), plt.imshow(edges, cmap='gray')

									plt.title('edge image'), plt.xticks([]), plt.yticks([])

									plt.show()

参考

补充：opencv-python 中 canny() 参数

步骤：

彩色图像转换为灰度图像（以灰度图或者单通道图读入）
对图像进行高斯模糊（去噪）
计算图像梯度，根据梯度计算图像边缘幅值与角度
沿梯度方向进行非极大值抑制（边缘细化）
双阈值边缘连接处理
二值化图像输出结果

				?

									"""

									cv2.canny(image,            # 输入原图（必须为单通道图）

									          threshold1, 

									          threshold2,       # 较大的阈值2用于检测图像中明显的边缘

									          [, edges[, 

									          aperturesize[,    # aperturesize：sobel算子的大小

									          l2gradient ]]])   # 参数(布尔值)：

									                              true： 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放），

									                              false：使用l1范数（直接将两个方向导数的绝对值相加）。

									"""

									import cv2

									import numpy as np  

									original_img = cv2.imread("qingwen.png", 0)

									# canny(): 边缘检测

									img1 = cv2.gaussianblur(original_img,(3,3),0)

									canny = cv2.canny(img1, 50, 150)

									# 形态学：边缘检测

									_,thr_img = cv2.threshold(original_img,210,255,cv2.thresh_binary)#设定红色通道阈值210（阈值影响梯度运算效果）

									kernel = cv2.getstructuringelement(cv2.morph_rect,(5,5))         #定义矩形结构元素

									gradient = cv2.morphologyex(thr_img, cv2.morph_gradient, kernel) #梯度

									cv2.imshow("original_img", original_img) 

									cv2.imshow("gradient", gradient) 

									cv2.imshow('canny', canny)

									cv2.waitkey(0)

									cv2.destroyallwindows()

Python实现Opencv cv2.Canny()边缘检测

可调整阈值大小的程序

				?

									import cv2

									import numpy as np

									def cannythreshold(lowthreshold):

									    detected_edges = cv2.gaussianblur(gray,(3,3),0)

									    detected_edges = cv2.canny(detected_edges,

									                               lowthreshold,

									                               lowthreshold*ratio,

									                               aperturesize = kernel_size)

									    dst = cv2.bitwise_and(img,img,mask = detected_edges)  # just add some colours to edges from original image.

									    cv2.imshow('canny demo',dst)

									lowthreshold = 0

									max_lowthreshold = 100

									ratio = 3

									kernel_size = 3

									img = cv2.imread('qingwen.png')

									gray = cv2.cvtcolor(img,cv2.color_bgr2gray)

									cv2.namedwindow('canny demo')

									cv2.createtrackbar('min threshold','canny demo',lowthreshold, max_lowthreshold, cannythreshold)

									cannythreshold(0)  # initialization

									if cv2.waitkey(0) == 27:

									    cv2.destroyallwindows()