canny边缘检测_计算机视觉中的边缘检测示例

图像边缘检测的任务在计算机视觉(CV)中非常常见。在本文中，我将演示如何使用Matlab / Octave和OpenCV库执行边缘检测，也用于实时视频处理。

使用Octave进行边缘检测

我们将使用LennaSöderberg的标准测试图像。它是512x512 RGB图像。

原始图像

我们将把它转换成单色，因为图像必须是二维和灰度的。

原始图像转换为单色

要在Octave / Matlab中执行边缘检测，我们将使用图像包中的edge()函数。

结果：Canny算法具有默认参数

对于默认参数来说还不错，呵呵！

edge()函数至少将图像和方法作为参数。可选参数取决于所选方法。对于Canny算法，这些是在偏导数计算之前用于降噪的较低和较高阈值 - 和sigma 。您可能必须使用这些来获得更好的结果。

Octave图像包中支持的其他算法是：

• Kirsch
• Lindeberg — after Tony Lindeberg
• LoG — Laplacian of Gaussian
• Roberts
• Prewitt
• zerocross
• Andy — after Andy Adlers

使用OpenCV进行图像边缘检测

Python代码实现如下：

import cv2from matplotlib import pyplot as pltimg = cv2.imread('cv_edge_detection/lena.png',0)plt.figure(figsize=(7,7))plt.axis('Off')plt.imshow(img, cmap='Greys_r');

imgEdge = cv2.Canny(img,80,200)plt.figure(figsize=(7,7))plt.axis('Off')plt.imshow(imgEdge, cmap='Greys_r');

Canny算法，阈值为80和200

plt.figure(figsize=(7,7))plt.axis('Off')plt.imshow(imgEdge, cmap='Greys');

使用OpenCV进行实时视频边缘检测

OpenCV库允许实时轻松捕获和处理视频流。Python实现的示例代码如下：

import cv2 import numpy as np  # capture frames from a camera cap = cv2.VideoCapture(0)  # loop runs if capturing has been initialized while(1):   # reads frames from the camera  ret, frame = cap.read()   # convert BGR to HSV  hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV)   # define range of red color in HSV  lower_red = np.array([30,150,50])  upper_red = np.array([255,255,180])   # create a red HSV colour boundary and  # threshold HSV image  mask = cv2.inRange(hsv, lower_red, upper_red)   # Bitwise-AND mask and original image  res = cv2.bitwise_and(frame,frame, mask= mask)   # Display the original image  cv2.imshow('Original',frame)   # find edges in the input image and  # mark them in the output map edges  edges = cv2.Canny(frame,100,200)   # Display edges in a frame  cv2.imshow('Edges',edges)   # Wait for Esc key to stop  k = cv2.waitKey(5) & 0xFF if k == 27:  break # Close the capture cap.release()  # De-allocate any associated memorycv2.destroyAllWindows() 

这是视频流边缘检测的结果。

使用OpenCV对视频流进行实时边缘检测

结论

因此，我们可以认识到，边缘检测是一项可做的任务，即使对于实时视频处理，也可以容易地使用强大的OpenCV库。