python实现canny边缘检测

canny边缘检测原理

canny边缘检测共有5部分组成，下边我会分别来介绍。

1 高斯模糊（略）

2 计算梯度幅值和方向。

可选用的模板：soble算子、Prewitt算子、Roberts模板等等;

一般采用soble算子，OpenCV也是如此，利用soble水平和垂直算子与输入图像卷积计算dx、dy：

进一步可以得到图像梯度的幅值：

为了简化计算，幅值也可以作如下近似：

角度为：

如下图表示了中心点的梯度向量、方位角以及边缘方向（任一点的边缘与梯度向量正交） ：

θ = θm = arctan(dy/dx)(边缘方向）α = θ + 90= arctan(dy/dx) + 90（梯度方向）

3、根据角度对幅值进行非极大值抑制

划重点：是沿着梯度方向对幅值进行非极大值抑制，而非边缘方向，这里初学者容易弄混。

例如：3*3区域内，边缘可以划分为垂直、水平、45°、135°4个方向，同样，梯度反向也为四个方向（与边缘方向正交）。因此为了进行非极大值，将所有可能的方向量化为4个方向，如下图：

即梯度方向分别为

α = 90

α = 45

α = 0

α = -45

非极大值抑制即为沿着上述4种类型的梯度方向，比较3*3邻域内对应邻域值的大小：

在每一点上，领域中心 x 与沿着其对应的梯度方向的两个像素相比，若中心像素为最大值，则保留，否则中心置0，这样可以抑制非极大值，保留局部梯度最大的点，以得到细化的边缘。

4、用双阈值算法检测和连接边缘

1选取系数TH和TL，比率为2:1或3:1。（一般取TH=0.3或0.2,TL=0.1）；

2 将小于低阈值的点抛弃，赋0；将大于高阈值的点立即标记（这些点为确定边缘 点），赋1或255；

3将小于高阈值，大于低阈值的点使用8连通区域确定（即：只有与TH像素连接时才会被接受，成为边缘点，赋 1或255）

python 实现

import cv2import numpy as npm1 = np.array([[1, 0, -1], [2, 0, -2], [1, 0, -1]])m2 = np.array([[1, 2, 1], [0, 0, 0], [-1, -2, -1]])from matplotlib import pyplot as plt# 第一步：完成高斯平滑滤波img = cv2.imread('B9064CF1D57871735CE11A0F368DCF27.jpg', 0)sobel = cv2.Canny(img, 50, 100)cv2.namedWindow(’5’, 0)cv2.resizeWindow('5', 640, 480)cv2.imshow('5', sobel) # 角度值灰度图img = cv2.GaussianBlur(img, (3, 3), 2)# 第二步：完成一阶有限差分计算，计算每一点的梯度幅值与方向img1 = np.zeros(img.shape, dtype='uint8') # 与原图大小相同theta = np.zeros(img.shape, dtype='float') # 方向矩阵原图像大小img = cv2.copyMakeBorder(img, 1, 1, 1, 1, borderType=cv2.BORDER_REPLICATE)rows, cols = img.shapefor i in range(1, rows - 1):for j in range(1, cols - 1):Gy = [np.sum(m2 * img[i - 1:i + 2, j - 1:j + 2])]#Gy = (np.dot(np.array([1, 1, 1]), (m2 * img[i - 1:i + 2, j - 1:j + 2]))).dot(np.array([[1], [1], [1]]))Gx = [np.sum(m1 * img[i - 1:i + 2, j - 1:j + 2])]#Gx = (np.dot(np.array([1, 1, 1]), (m1 * img[i - 1:i + 2, j - 1:j + 2]))).dot(np.array([[1], [1], [1]]))if Gx[0] == 0:theta[i - 1, j - 1] = 90continueelse:temp = ((np.arctan2(Gy[0], Gx[0])) * 180 / np.pi)+90if Gx[0] * Gy[0] > 0:if Gx[0] > 0:# 第一象线theta[i - 1, j - 1] = np.abs(temp)else:# 第三象线theta[i - 1, j - 1] = (np.abs(temp) - 180)if Gx[0] * Gy[0] < 0:if Gx[0] > 0:# 第四象线theta[i - 1, j - 1] = (-1) * np.abs(temp)else:# 第二象线theta[i - 1, j - 1] = 180 - np.abs(temp)img1[i - 1, j - 1] = (np.sqrt(Gx[0] ** 2 + Gy[0] ** 2))for i in range(1, rows - 2):for j in range(1, cols - 2):if (((theta[i, j] >= -22.5) and (theta[i, j] < 22.5)) or((theta[i, j] <= -157.5) and (theta[i, j] >= -180)) or((theta[i, j] >= 157.5) and (theta[i, j] < 180))):theta[i, j] = 0.0elif (((theta[i, j] >= 22.5) and (theta[i, j] < 67.5)) or((theta[i, j] <= -112.5) and (theta[i, j] >= -157.5))):theta[i, j] = -45.0elif (((theta[i, j] >= 67.5) and (theta[i, j] < 112.5)) or((theta[i, j] <= -67.5) and (theta[i, j] >= -112.5))):theta[i, j] = 90.0elif (((theta[i, j] >= 112.5) and (theta[i, j] < 157.5)) or((theta[i, j] <= -22.5) and (theta[i, j] >= -67.5))):theta[i, j] = 45.0’’’for i in range(1, rows - 1):for j in range(1, cols - 1):Gy = [np.sum(m2 * img[i - 1:i + 2, j - 1:j + 2])]#Gy = (np.dot(np.array([1, 1, 1]), (m2 * img[i - 1:i + 2, j - 1:j + 2]))).dot(np.array([[1], [1], [1]]))Gx = [np.sum(m1 * img[i - 1:i + 2, j - 1:j + 2])]#Gx = (np.dot(np.array([1, 1, 1]), (m1 * img[i - 1:i + 2, j - 1:j + 2]))).dot(np.array([[1], [1], [1]]))if Gx[0] == 0:theta[i - 1, j - 1] = 90continueelse:temp = (np.arctan2(Gy[0], Gx[0])) * 180 / np.pi)if Gx[0] * Gy[0] > 0:if Gx[0] > 0:# 第一象线theta[i - 1, j - 1] = np.abs(temp)else:# 第三象线theta[i - 1, j - 1] = (np.abs(temp) - 180)if Gx[0] * Gy[0] < 0:if Gx[0] > 0:# 第四象线theta[i - 1, j - 1] = (-1) * np.abs(temp)else:# 第二象线theta[i - 1, j - 1] = 180 - np.abs(temp)img1[i - 1, j - 1] = (np.sqrt(Gx[0] ** 2 + Gy[0] ** 2))for i in range(1, rows - 2):for j in range(1, cols - 2):if (((theta[i, j] >= -22.5) and (theta[i, j] < 22.5)) or((theta[i, j] <= -157.5) and (theta[i, j] >= -180)) or((theta[i, j] >= 157.5) and (theta[i, j] < 180))):theta[i, j] = 90.0elif (((theta[i, j] >= 22.5) and (theta[i, j] < 67.5)) or((theta[i, j] <= -112.5) and (theta[i, j] >= -157.5))):theta[i, j] = 45.0elif (((theta[i, j] >= 67.5) and (theta[i, j] < 112.5)) or((theta[i, j] <= -67.5) and (theta[i, j] >= -112.5))):theta[i, j] = 0.0elif (((theta[i, j] >= 112.5) and (theta[i, j] < 157.5)) or((theta[i, j] <= -22.5) and (theta[i, j] >= -67.5))):theta[i, j] = -45.0’’’# 第三步：进行 非极大值抑制计算img2 = np.zeros(img1.shape) # 非极大值抑制图像矩阵for i in range(1, img2.shape[0] - 1):for j in range(1, img2.shape[1] - 1):# 0度j不变if (theta[i, j] == 0.0) and (img1[i, j] == np.max([img1[i, j], img1[i + 1, j], img1[i - 1, j]])):img2[i, j] = img1[i, j]if (theta[i, j] == -45.0) and img1[i, j] == np.max([img1[i, j], img1[i - 1, j - 1], img1[i + 1, j + 1]]):img2[i, j] = img1[i, j]if (theta[i, j] == 90.0) and img1[i, j] == np.max([img1[i, j], img1[i, j + 1], img1[i, j - 1]]):img2[i, j] = img1[i, j]if (theta[i, j] == 45.0) and img1[i, j] == np.max([img1[i, j], img1[i - 1, j + 1], img1[i + 1, j - 1]]):img2[i, j] = img1[i, j]# 第四步：双阈值检测和边缘连接img3 = np.zeros(img2.shape) # 定义双阈值图像# TL = 0.4*np.max(img2)# TH = 0.5*np.max(img2)TL = 50TH = 100# 关键在这两个阈值的选择for i in range(1, img3.shape[0] - 1):for j in range(1, img3.shape[1] - 1):if img2[i, j] < TL:img3[i, j] = 0elif img2[i, j] > TH:img3[i, j] = 255elif ((img2[i + 1, j] < TH) or (img2[i - 1, j] < TH) or (img2[i, j + 1] < TH) or(img2[i, j - 1] < TH) or (img2[i - 1, j - 1] < TH) or (img2[i - 1, j + 1] < TH) or(img2[i + 1, j + 1] < TH) or (img2[i + 1, j - 1] < TH)):img3[i, j] = 255cv2.namedWindow(’1’, 0)cv2.resizeWindow('1', 640, 480)cv2.namedWindow(’2’, 0)cv2.resizeWindow('2', 640, 480)cv2.namedWindow(’3’, 0)cv2.resizeWindow('3', 640, 480)cv2.namedWindow(’4’, 0)cv2.resizeWindow('4', 640, 480)cv2.imshow('1', img) # 原始图像cv2.imshow('2', img1) # 梯度幅值图cv2.imshow('3', img2) # 非极大值抑制灰度图cv2.imshow('4', img3) # 最终效果图cv2.waitKey(0)

运行结果如下

以上就是python实现canny边缘检测的详细内容，更多关于canny边缘检测的资料请关注好吧啦网其它相关文章！