Python如何使用cv2.canny进行图像边缘检测

使用cv2.canny进行图像边缘检测

CV2提供了提取图像边缘的函数canny。

其算法思想如下：

• 1.使用高斯模糊，去除噪音点（cv2.GaussianBlur）
• 2.灰度转换（cv2.cvtColor）
• 3.使用sobel算子，计算出每个点的梯度大小和梯度方向
• 4.使用非极大值抑制(只有最大的保留)，消除边缘检测带来的杂散效应
• 5.应用双阈值，来确定真实和潜在的边缘
• 6.通过抑制弱边缘来完成最终的边缘检测

Canny函数的定义如下：

edge = cv2.Canny(image, threshold1, threshold2[, edges[, apertureSize[, L2gradient ]]]) 

参数含义如下：

• image：要检测的图像
• threshold1：阈值1（最小值）
• threshold2：阈值2（最大值），使用此参数进行明显的边缘检测
• edges：图像边缘信息
• apertureSize：sobel算子（卷积核）大小
• L2gradient ：布尔值。
• True：使用更精确的L2范数进行计算（即两个方向的导数的平方和再开方）
• False：使用L1范数（直接将两个方向导数的绝对值相加）

其中较大的阈值2用于检测图像中明显的边缘，但一般情况下检测的效果不会那么完美，边缘检测出来是断断续续的。所以这时候用较小的第一个阈值用于将这些间断的边缘连接起来。

阈值对检测结果的影响

import cv2
import numpy as np
from matplotlib import pyplot as plt

img = cv2.imread('d:\\girl.png')
edges = cv2.Canny(img,100,200,apertureSize=3)
edges2 = cv2.Canny(img,100,200,apertureSize=5)
plt.subplot(131),plt.imshow(img,cmap = 'gray')
plt.title('Original Image'), plt.xticks([]), plt.yticks([])
plt.subplot(132),plt.imshow(edges,cmap = 'gray')
plt.title('Edge Image1'), plt.xticks([]), plt.yticks([])
plt.subplot(133),plt.imshow(edges2,cmap = 'gray')
plt.title('Edge Image2'), plt.xticks([]), plt.yticks([])
plt.show()

可以看到，在调整threshold1之后，检测出的边缘增多了。

sobel算子对检测结果的影响

sobel默认的算子大小是3，扩大算子，会获得更多的细节，但是也更能提取图像了。

import cv2
import numpy as np
from matplotlib import pyplot as plt

img = cv2.imread('d:\\girl.png')
edges = cv2.Canny(img,100,200,apertureSize=3)
edges2 = cv2.Canny(img,100,200,apertureSize=5)
plt.subplot(131),plt.imshow(img,cmap = 'gray')
plt.title('Original Image'), plt.xticks([]), plt.yticks([])
plt.subplot(132),plt.imshow(edges,cmap = 'gray')
plt.title('Edge Image1'), plt.xticks([]), plt.yticks([])
plt.subplot(133),plt.imshow(edges2,cmap = 'gray')
plt.title('Edge Image2'), plt.xticks([]), plt.yticks([])
plt.show()

范数对检测结果的影响

L2gradient=True时，检测出的边缘减少了。

import cv2
import numpy as np
from matplotlib import pyplot as plt

img = cv2.imread('d:\\girl.png')
edges = cv2.Canny(img,100,200,L2gradient=False)
edges2 = cv2.Canny(img,100,200,L2gradient=True)
plt.subplot(131),plt.imshow(img,cmap = 'gray')
plt.title('Original Image'), plt.xticks([]), plt.yticks([])
plt.subplot(132),plt.imshow(edges,cmap = 'gray')
plt.title('Edge Image1'), plt.xticks([]), plt.yticks([])
plt.subplot(133),plt.imshow(edges2,cmap = 'gray')
plt.title('Edge Image2'), plt.xticks([]), plt.yticks([])
plt.show()

总结

以上为个人经验，希望能给大家一个参考，也希望大家多多支持编程宝库。

 Python数值比较的效率Python 数值比较运算效率：>,<,==,!=,>=和<=python数值比较运算有6种，分别为>,<,==,!=,>=和 & ...