Python如何實現Opencv cv2.Canny()邊緣檢測

這篇文章主要介紹“Python如何實現Opencv cv2.Canny()邊緣檢測”，在日常操作中，相信很多人在Python如何實現Opencv cv2.Canny()邊緣檢測問題上存在疑惑，小編查閱了各式資料，整理出簡單好用的操作方法，希望對大家解答”Python如何實現Opencv cv2.Canny()邊緣檢測”的疑惑有所幫助！接下來，請跟著小編一起來學習吧！

• Canny邊緣檢測是一種流行的邊緣檢測算法。它是由約翰F開發的，是一個多階段的算法；

• Canny邊緣檢測大致包含4個步驟：

• 降噪（使用高斯濾波去除高頻噪聲）；

• 計算邊緣梯度和方向（SobelX、SobleY核在水平方向和垂直方向對平滑后的圖像進行濾波，找到每個像素的邊緣梯度和方向）；

• 非最大抑制（在得到梯度大小和方向后，對圖像進行全掃描，去除任何不需要的像素，這些像素可能不構成邊緣。檢查像素是否在其梯度方向的鄰域中是局部最大值。否則，將被抑制（歸零）。簡而言之，得到的結果是一個具有“細邊”的二值圖像。

• 滯后閾值（決定哪些邊是真正的邊，哪些不是。為此需要兩個閾值minVal和maxVal，任何強度梯度大于maxVal的邊都肯定是邊，小于minVal的邊肯定是非邊，因此丟棄。位于這兩個閾值之間的邊根據其連通性被分類為邊或非邊。如果它們連接到“確定邊緣”像素，則它們被視為邊緣的一部分。否則，它們也會被丟棄。）
  

選擇滯后閾值minVal和maxVal是得到正確結果的關鍵。

1. 效果圖

原始圖 VS Canny檢測效果圖如下：

2. 源碼

# Canny邊緣檢測是一種流行的邊緣檢測算法。它是由約翰F開發的，是一個多階段的算法；
# Canny邊緣檢測大致包含4個步驟：
# 
# 1.降噪（使用高斯濾波去除高頻噪聲）；
# 2. 計算邊緣梯度和方向（SobelX、SobleY核在水平方向和垂直方向對平滑后的圖像進行濾波，找到每個像素的邊緣梯度和方向）；
# 3. 非最大抑制（在得到梯度大小和方向后，對圖像進行全掃描，去除任何不需要的像素，這些像素可能不構成邊緣。檢查像素是否在其梯度方向的鄰域中是局部最大值。否則，將被抑制（歸零）。簡而言之，得到的結果是一個具有“細邊”的二值圖像。
# 4. 滯后閾值（決定哪些邊是真正的邊，哪些不是。為此需要兩個閾值minVal和maxVal，任何強度梯度大于maxVal的邊都肯定是邊，小于minVal的邊肯定是非邊，因此丟棄。位于這兩個閾值之間的邊根據其連通性被分類為邊或非邊。如果它們連接到“確定邊緣”像素，則它們被視為邊緣的一部分。否則，它們也會被丟棄。）
# 
# 選擇滯后閾值minVal和maxVal是得到正確結果的關鍵。
import cv2
from matplotlib import pyplot as plt

img = cv2.imread("zly.jpg", 0)
edges = cv2.Canny(img, 80, 200)

plt.subplot(121), plt.imshow(img, cmap="gray")
plt.title("Original Image"), plt.xticks([]), plt.yticks([])
plt.subplot(122), plt.imshow(edges, cmap="gray")
plt.title("Edge Image"), plt.xticks([]), plt.yticks([])

plt.show()

參考 https://docs.opencv.org/3.0-beta/doc/py_tutorials/py_imgproc/py_canny/py_canny.html#canny

補充：OpenCV-Python 中 Canny() 參數

步驟：

• 彩色圖像轉換為灰度圖像（以灰度圖或者單通道圖讀入）

• 對圖像進行高斯模糊（去噪）

• 計算圖像梯度，根據梯度計算圖像邊緣幅值與角度

• 沿梯度方向進行非極大值抑制（邊緣細化）

• 雙閾值邊緣連接處理

• 二值化圖像輸出結果

"""
cv2.Canny(image,            # 輸入原圖（必須為單通道圖）
          threshold1, 
          threshold2,       # 較大的閾值2用于檢測圖像中明顯的邊緣
          [, edges[, 
          apertureSize[,    # apertureSize：Sobel算子的大小
          L2gradient ]]])   # 參數(布爾值)：
                              true： 使用更精確的L2范數進行計算（即兩個方向的倒數的平方和再開放），
                              false：使用L1范數（直接將兩個方向導數的絕對值相加）。
"""

import cv2
import numpy as np  
 
original_img = cv2.imread("qingwen.png", 0)

# canny(): 邊緣檢測
img1 = cv2.GaussianBlur(original_img,(3,3),0)
canny = cv2.Canny(img1, 50, 150)

# 形態學：邊緣檢測
_,Thr_img = cv2.threshold(original_img,210,255,cv2.THRESH_BINARY)#設定紅色通道閾值210（閾值影響梯度運算效果）
kernel = cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))         #定義矩形結構元素
gradient = cv2.morphologyEx(Thr_img, cv2.MORPH_GRADIENT, kernel) #梯度

cv2.imshow("original_img", original_img) 
cv2.imshow("gradient", gradient) 
cv2.imshow("Canny", canny)

cv2.waitKey(0)
cv2.destroyAllWindows()

可調整閾值大小的程序

import cv2
import numpy as np
 
def CannyThreshold(lowThreshold):
    detected_edges = cv2.GaussianBlur(gray,(3,3),0)
    detected_edges = cv2.Canny(detected_edges,
                               lowThreshold,
                               lowThreshold*ratio,
                               apertureSize = kernel_size)
    dst = cv2.bitwise_and(img,img,mask = detected_edges)  # just add some colours to edges from original image.
    cv2.imshow("canny demo",dst)

lowThreshold = 0
max_lowThreshold = 100
ratio = 3
kernel_size = 3
 
img = cv2.imread("qingwen.png")
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
 
cv2.namedWindow("canny demo")
 
cv2.createTrackbar("Min threshold","canny demo",lowThreshold, max_lowThreshold, CannyThreshold)
 
CannyThreshold(0)  # initialization
if cv2.waitKey(0) == 27:
    cv2.destroyAllWindows()

到此，關于“Python如何實現Opencv cv2.Canny()邊緣檢測”的學習就結束了，希望能夠解決大家的疑惑。理論與實踐的搭配能更好的幫助大家學習，快去試試吧！若想繼續學習更多相關知識，請繼續關注億速云網站，小編會繼續努力為大家帶來更多實用的文章！