python图像边缘检测_python opencv实现图像边缘检测

本文利用python opencv进行图像的边缘检测，一般要经过如下几个步骤：

1、去噪

如cv2.GaussianBlur()等函数；

2、计算图像梯度

图像梯度表达的是各个像素点之间，像素值大小的变化幅度大小，变化较大，则可以认为是出于边缘位置，最多可简化为如下形式：

3、非极大值抑制

在获得梯度的方向和大小之后，应该对整幅图像做一个扫描，去除那些非边界上的点。对每一个像素进行检查，看这个点的梯度是不是周围具有相同梯度方向的点中最大的。如下图所示：

4、滞后阈值

现在要确定那些边界才是真正的边界。这时我们需要设置两个阈值：minVal 和maxVal。当图像的灰度梯度高于maxVal 时被认为是真的边界，那些低于minVal 的边界会被抛弃。如果介于两者之间的话，就要看这个点是否与某个被确定为真正的边界点相连，如果是就认为它也是边界点，如果不是就抛弃。如下图：

在Python Opencv接口中，提供了Canny函数，可以对图像进行一键执行边缘检测。

接下来，利用Canny函数进行边缘检测的实验。

Canny函数需要指定几个参数：

1、需要进行边缘检测的原图

2、阈值下限

3、阈值上限

我们为了能够看到不同阈值范围对边缘检测结果的影响，设置了两个滑动条，来分别表示阈值上下限。

完整代码如下：

# -*- coding: utf-8 -*-

"""

Created on Thu Sep 13 14:23:32 2018

@author: Leon

内容：

对图片进行边缘检测；

添加滑动条，可自由调整阈值上下限。

"""

import cv2

import numpy as np

def nothing(x):

pass

cv2.namedWindow('Canny',0)

# 创建滑动条

cv2.createTrackbar('minval','Canny',0,255,nothing)

cv2.createTrackbar('maxval','Canny',0,255,nothing)

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

# 高斯滤波去噪

img = cv2.GaussianBlur(img,(3,3),0)

edges =img

k=0

while(1):

key = cv2.waitKey(50) & 0xFF

if key == ord('q'):

break

# 读取滑动条数值

minval = cv2.getTrackbarPos('minval','Canny')

maxval = cv2.getTrackbarPos('maxval','Canny')

edges = cv2.Canny(img,minval,maxval)

# 拼接原图与边缘监测结果图

img_2 = np.hstack((img,edges))

cv2.imshow('Canny',img_2)

cv2.destroyAllWindows()

效果如图：

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持脚本之家。