1.Canny算法的介绍
Canny算法是一种边缘检测算法,它是由John Canny在1986年提出的。
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。
2.Canny算法流程
Canny边缘检测算法是由以下步骤组成的:
1.图像降噪。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,因此我们需要通过模糊操作来降低图像的噪声。
2.计算梯度。计算图像梯度能够得到图像的边缘,因为梯度是灰度变化明显的地方,而边缘也是灰度变化明显的地方。当然这一步只能得到可能的边缘,因为灰度变化的地方可能是边缘,也可能不是边缘。这一步就有了所有可能是边缘的集合。
3.非极大值抑制。非极大值抑制是一种边缘稀疏技术,非极大值抑制的作用在于“瘦”边。对图像进行梯度计算后,仅仅基于梯度值提取的边缘仍然很模糊,非极大值抑制则可以帮助将局部最大值之外的所有梯度值抑制为0,对梯度图像中每个像素进行非极大值抑制的算法是:
(1).将当前像素的梯度强度与沿正负梯度方向上的两个像素进行比较;
(2).如果当前像素的梯度强度与另外两个像素相比最大,则该像素点保留为边缘点,否则该像素点将被抑制。
4.高低阈值筛选。T1, T2为阈值,凡是高于T2的都保留,凡是小于T1都丢弃,从高于T2的像素出发,凡是大于T1而且相互连接的都保留。最终得到一个输出二值图像。推荐的高低阈值比值为 T2: T1 = 3:1/2:1其中T2为高阈值,T1为低阈值。
Canny边缘提取的代码如下:
def edge_demo(image):
blur = cv.GaussianBlur(image, (3, 3), 0) # 降低噪声
gray = cv.cvtColor(blur, cv.COLOR_BGR2GRAY)
# x方向的梯度
xgrad = cv.Sobel(gray, cv.CV_16SC1, 1, 0)
# y方向的梯度
ygrad = cv.Sobel(gray, cv.CV_16SC1, 0, 1)
# 求出图像的边缘
edge_output = cv.Canny(xgrad, ygrad, 50, 150)
cv.imshow("Canny_Edge", edge_output)
# 转换为彩色图像
dst = cv.bitwise_and(image, image, mask=edge_output)
cv.imshow("Color_Edge", dst)
原图为:
经过边缘提取后:
我们把边缘转换为彩色后:
完整代码
import cv2 as cv # 导入opencv模块
import numpy as np # 导入数学函数库
def edge_demo(image):
blur = cv.GaussianBlur(image, (3, 3), 0) # 降低噪声
gray = cv.cvtColor(blur, cv.COLOR_BGR2GRAY)
# x方向的梯度
xgrad = cv.Sobel(gray, cv.CV_16SC1, 1, 0)
# y方向的梯度
ygrad = cv.Sobel(gray, cv.CV_16SC1, 0, 1)
# 求出图像的边缘
edge_output = cv.Canny(xgrad, ygrad, 50, 150)
cv.imshow("Canny_Edge", edge_output)
# 转换为彩色图像
dst = cv.bitwise_and(image, image, mask=edge_output)
cv.imshow("Color_Edge", dst)
print("------------hello python!------------")
src = cv.imread("D:/opencv3/image/rong.png")
cv.namedWindow("input_image", cv.WINDOW_AUTOSIZE)
cv.imshow("input_image", src)
edge_demo(src)
cv.waitKey(0)
cv.destroyAllWindows() # 释放所有窗口