pythoncanny边缘检测自适应阈值_基于python实现自适应阈值的canny边缘检测

opencv中给出了canny边缘检测的接口，直接调用：

ret = cv2.canny(img,t1,t2)

即可得到边缘检测的结果ret。其中，t1，t2是需要人为设置的阈值。有不少论文研究了自动化的阈值设置方法，即算法在运行过程中能够自适应地找到较佳的分割阈值t1，t2，但是缺乏开源代码，特别是基于python3的实现几乎没有。

本文基于python3，复现一种自适应的阈值分割方法。

输入图片是：

输出结果对比如下：左图是直接用canny，右图是用本文程序自适应分割。

  

比较不足的是，由于自底向上重新编写，包括非最大抑制等过程。。可能耗时比较久。上面输入图像耗时27.38s，不知道其他学者研究的自适应阈值canny边缘检测方法的耗时情况如何。。程序中预处理过程中已经做了降采样，如果没有降采样的话，耗时会更长。

下面上代码：

主程序.py:

import numpy as np

import cv2, time, math

from scipy.signal import convolve2d as conv2

from matplotlib import pyplot as plt

from bilateralfilt import bilatfilt

from dog import deroGauss

import time

#...........................................................................................

def get_edges(I,sd):

dim = I.shape

Idog2d = np.zeros((nang,dim[0],dim[1]))

for i in range(nang):

dog2d = deroGauss(5,sd,angles[i])

Idog2dtemp = abs(conv2(I,dog2d,mode='same',boundary='fill'))

Idog2dtemp[Idog2dtemp<0]=0

Idog2d[i,:,:] = Idog2dtemp

return Idog2d

#...........................................................................................

def nonmaxsup(I,gradang):

dim = I.shape

Inms = np.zeros(dim)

xshift = int(np.round(math.cos(gradang*np.pi/180)))

yshift = int(np.round(math.sin(gradang*np.pi/180)))

Ipad = np.pad(I,(1,),'constan