canny边缘检测算法的python实现
前言
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。更为重要的是Canny创立了“边缘检测计算理论”(computational theory of edge detection)解释这项技术如何工作。(摘自百度百科)
一、canny边缘检测算法是什么?
边缘检测是图像处理和计算机视觉中的基本问题,边缘检测的目的是标识数字图像中亮度变化明显的点。图像属性中的显著变化通常反映了属性的重要事件和变化。 这些包括(i)深度上的不连续、(ii)表面方向不连续、(iii)物质属性变化和(iv)场景照明变化。 边缘检测是图像处理和计算机视觉中,尤其是特征提取中的一个研究领域。而canny边缘检测算法就是为了解决这个问题提出来的一种解决模式。(摘自百度百科)
二、使用步骤
1.引入库
代码如下:
import cv2
import numpy as np
2.读入数据并处理数据
代码如下:
# 读取图像
grey = cv2.imread('lena.png')#读图
#进行图像数据处理
grey1 = cv2.cvtColor(grey, cv2.IMREAD_GRAYSCALE)
img =np.array( [[0]*512]*512 )
for k in range(0,512):
for i in range(0,512):
img[k][i]=grey1[k][i][0]
img = np.uint8(img)
3.高斯滤波
代码如下:
# 高斯滤波
kernel_size = 5 #高斯卷积核函数,老师推荐为3,但3的效果不如5
sigma = 1.4
img_blur = cv2.GaussianBlur(img, (kernel_size, kernel_size), sigma)
4.计算梯度和方向
代码如下:
# 计算梯度和方向
sobel_x = cv2.Sobel(img_blur, cv2.CV_64F, 1, 0, ksize=3)
sobel_y = cv2.Sobel(img_blur, cv2.CV_64F, 0, 1, ksize=3)
grad_mag = np.sqrt(sobel_x ** 2 + sobel_y ** 2)
grad_dir = np.arctan2(sobel_y, sobel_x)
5.非极大值抑制
代码如下:
# 非极大值抑制
grad_mag_max = np.zeros(grad_mag.shape)
for i in range(1, grad_mag.shape[0] - 1):
for j in range(1, grad_mag.shape[1] - 1):
#如果角度小于0,使其加上一个pi,量化至四个方向
if grad_dir[i, j] < 0:
grad_dir[i, j] += np.pi
if np.pi / 8 <= grad_dir[i, j] < 3 * np.pi / 8:
if grad_mag[i, j] > grad_mag[i - 1, j - 1] and grad_mag[i, j] > grad_mag[i + 1, j + 1]:
grad_mag_max[i, j] = grad_mag[i, j]
elif 3 * np.pi / 8 <= grad_dir[i, j] < 5 * np.pi / 8:
if grad_mag[i, j] > grad_mag[i - 1, j] and grad_mag[i, j] > grad_mag[i + 1, j]:
grad_mag_max[i, j] = grad_mag[i, j]
elif 5 * np.pi / 8 <= grad_dir[i, j] < 7 * np.pi / 8:
if grad_mag[i, j] > grad_mag[i - 1, j + 1] and grad_mag[i, j] > grad_mag[i + 1, j - 1]:
grad_mag_max[i, j] = grad_mag[i, j]
else:
if grad_mag[i, j] > grad_mag[i, j - 1] and grad_mag[i, j] > grad_mag[i, j + 1]:
grad_mag_max[i, j] = grad_mag[i, j]
6.双阈值处理
代码如下:
# 双阈值处理,不是简单的循环,而是递归
low_threshold = 10
high_threshold = 30
edges = np.zeros(grad_mag_max.shape)
strong_edges = (grad_mag_max > high_threshold)
weak_edges = (grad_mag_max >= low_threshold) & (grad_mag_max <= high_threshold)
edges[strong_edges] = 1
while np.sum(weak_edges) > 0:
i, j = np.unravel_index(weak_edges.argmax(), weak_edges.shape) #.argmax()返回第一个参数 .shanpe返回矩阵各维数量(512*512) np.unravel_index求索引值
weak_edges[i, j] = 0
if strong_edges[i - 1:i + 2, j - 1:j + 2].any(): #.any() 判断迭代参数是否全是false
edges[i, j] = 1
strong_edges[i, j] = 1
else:
edges[i, j] = 0
out = edges
7.显示结果
代码如下:
# 显示结果
cv2.imshow('output',out)
cv2.waitKey(0)
8.完整代码
如下:
import cv2
import numpy as np
# 读取图像
grey = cv2.imread('lena.png')#读图
#进行图像数据处理
grey1 = cv2.cvtColor(grey, cv2.IMREAD_GRAYSCALE)
img =np.array( [[0]*512]*512 )
for k in range(0,512):
for i in range(0,512):
img[k][i]=grey1[k][i][0]
img = np.uint8(img)
# 高斯滤波
kernel_size = 5 #高斯卷积核函数,老师推荐为3,但3的效果不如5
sigma = 1.4
img_blur = cv2.GaussianBlur(img, (kernel_size, kernel_size), sigma)
# 计算梯度和方向
sobel_x = cv2.Sobel(img_blur, cv2.CV_64F, 1, 0, ksize=3)
sobel_y = cv2.Sobel(img_blur, cv2.CV_64F, 0, 1, ksize=3)
grad_mag = np.sqrt(sobel_x ** 2 + sobel_y ** 2)
grad_dir = np.arctan2(sobel_y, sobel_x)
# 非极大值抑制
grad_mag_max = np.zeros(grad_mag.shape)
for i in range(1, grad_mag.shape[0] - 1):
for j in range(1, grad_mag.shape[1] - 1):
#如果角度小于0,使其加上一个pi,量化至四个方向
if grad_dir[i, j] < 0:
grad_dir[i, j] += np.pi
if np.pi / 8 <= grad_dir[i, j] < 3 * np.pi / 8:
if grad_mag[i, j] > grad_mag[i - 1, j - 1] and grad_mag[i, j] > grad_mag[i + 1, j + 1]:
grad_mag_max[i, j] = grad_mag[i, j]
elif 3 * np.pi / 8 <= grad_dir[i, j] < 5 * np.pi / 8:
if grad_mag[i, j] > grad_mag[i - 1, j] and grad_mag[i, j] > grad_mag[i + 1, j]:
grad_mag_max[i, j] = grad_mag[i, j]
elif 5 * np.pi / 8 <= grad_dir[i, j] < 7 * np.pi / 8:
if grad_mag[i, j] > grad_mag[i - 1, j + 1] and grad_mag[i, j] > grad_mag[i + 1, j - 1]:
grad_mag_max[i, j] = grad_mag[i, j]
else:
if grad_mag[i, j] > grad_mag[i, j - 1] and grad_mag[i, j] > grad_mag[i, j + 1]:
grad_mag_max[i, j] = grad_mag[i, j]
# 双阈值处理,注意:双阈值二值化是一种递归而不是简单的循环
low_threshold = 10
high_threshold = 30
edges = np.zeros(grad_mag_max.shape)
strong_edges = (grad_mag_max > high_threshold)
weak_edges = (grad_mag_max >= low_threshold) & (grad_mag_max <= high_threshold)
edges[strong_edges] = 1
while np.sum(weak_edges) > 0:
i, j = np.unravel_index(weak_edges.argmax(), weak_edges.shape) #.argmax()返回第一个参数 .shanpe返回矩阵各维数量(512*512) np.unravel_index求索引值
weak_edges[i, j] = 0
if strong_edges[i - 1:i + 2, j - 1:j + 2].any(): #.any() 判断迭代参数是否全是false
edges[i, j] = 1
strong_edges[i, j] = 1
else:
edges[i, j] = 0
out = edges
# 显示结果
cv2.imshow('output',out)
cv2.waitKey(0)
原图像
canny边缘检测的图像
不使用高斯滤波的canny算法边缘检测图像
总结
以上就是今天要讲的内容,本文仅仅简单介绍了canny边缘检测算法的使用,而canny边缘检测算法在日产生活中给我们带来了大量的便利。
(欢迎各位老师同学批评指正)