import cv2 #边缘检测是基于灰度的
import numpy as np
import random
img = cv2.imread('image0.jpg',1)
imgInfo = img.shape
height = imgInfo[0]
width = imgInfo[1]
cv2.imshow('src',img)
#canny 1 gray 2 高斯 3 canny
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) #转化为灰度
imgG = cv2.GaussianBlur(gray,(3,3),0) #高斯滤波 (3,3)是高斯矩阵就是算子的矩阵,0是标准差
#图像需要预处理,虽然耗时,但是不处理后面误差可能放大
dst = cv2.Canny(img,50,50) #图片卷积——》th 此方法完成边缘检测 两个门限
cv2.imshow('dst',dst)
cv2.waitKey(0)
import cv2
import numpy as np
import random
import math
img = cv2.imread('image0.jpg',1)
imgInfo = img.shape
height = imgInfo[0]
width = imgInfo[1]
cv2.imshow('src',img)
# sobel 1 算子模版 2 图片卷积 3 阈值判决
# [1 2 1 [ 1 0 -1
# 0 0 0 2 0 -2
# -1 -2 -1 ] 1 0 -1 ]
#是矩阵对应元素相乘,不是矩阵乘法
# [1 2 3 4] [a b c d] a*1+b*2+c*3+d*4 = dst
# sqrt(a*a+b*b) = f>th a是竖直方向上的梯度,来源于第一个算子与图片每个像素进行卷积运算结果 b……
#两个方向梯度开放,与赋值门限进行比较,大于就是边缘,小于就不是边缘
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
dst = np.zeros((height,width,1),np.uint8)
for i in range(0,height-2): #算子下标从0到2,遍历时会溢出,所以-2
for j in range(0,width-2):
gy = gray[i,j]*1+gray[i,j+1]*2+gray[i,j+2]*1-gray[i+2,j]*1-gray[i+2,j+1]*2-gray[i+2,j+2]*1
#竖直方向梯度 soble对应乘图片像素点
gx = gray[i,j]+gray[i+1,j]*2+gray[i+2,j]-gray[i,j+2]-gray[i+1,j+2]*2-gray[i+2,j+2]
grad = math.sqrt(gx*gx+gy*gy) #梯度 math模块
if grad>50:
dst[i,j] = 255
else:
dst[i,j] = 0
cv2.imshow('dst',dst)
cv2.waitKey(0)
![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/b4c1ccb092ee5bbfb8676a232691eb8a.png)