导航：首页 > 开发技术 >

Python如何实现Opencv cv2.Canny()边缘检测

发表于：2024-11-11 作者：千家信息网编辑

千家信息网最后更新 2024年11月11日，这篇文章主要介绍"Python如何实现Opencv cv2.Canny()边缘检测"，在日常操作中，相信很多人在Python如何实现Opencv cv2.Canny()边缘检测问题上存在疑惑，小编查阅

千家信息网最后更新 2024年11月11日Python如何实现Opencv cv2.Canny()边缘检测

这篇文章主要介绍"Python如何实现Opencv cv2.Canny()边缘检测"，在日常操作中，相信很多人在Python如何实现Opencv cv2.Canny()边缘检测问题上存在疑惑，小编查阅了各式资料，整理出简单好用的操作方法，希望对大家解答"Python如何实现Opencv cv2.Canny()边缘检测"的疑惑有所帮助！接下来，请跟着小编一起来学习吧！

Canny边缘检测是一种流行的边缘检测算法。它是由约翰F开发的，是一个多阶段的算法；
Canny边缘检测大致包含4个步骤：

降噪（使用高斯滤波去除高频噪声）；
计算边缘梯度和方向（SobelX、SobleY核在水平方向和垂直方向对平滑后的图像进行滤波，找到每个像素的边缘梯度和方向）；
非最大抑制（在得到梯度大小和方向后，对图像进行全扫描，去除任何不需要的像素，这些像素可能不构成边缘。检查像素是否在其梯度方向的邻域中是局部最大值。否则，将被抑制（归零）。简而言之，得到的结果是一个具有"细边"的二值图像。
滞后阈值（决定哪些边是真正的边，哪些不是。为此需要两个阈值minVal和maxVal，任何强度梯度大于maxVal的边都肯定是边，小于minVal的边肯定是非边，因此丢弃。位于这两个阈值之间的边根据其连通性被分类为边或非边。如果它们连接到"确定边缘"像素，则它们被视为边缘的一部分。否则，它们也会被丢弃。）

选择滞后阈值minVal和maxVal是得到正确结果的关键。

1. 效果图

原始图 VS Canny检测效果图如下：

2. 源码

# Canny边缘检测是一种流行的边缘检测算法。它是由约翰F开发的，是一个多阶段的算法；# Canny边缘检测大致包含4个步骤：# # 1.降噪（使用高斯滤波去除高频噪声）；# 2. 计算边缘梯度和方向（SobelX、SobleY核在水平方向和垂直方向对平滑后的图像进行滤波，找到每个像素的边缘梯度和方向）；# 3. 非最大抑制（在得到梯度大小和方向后，对图像进行全扫描，去除任何不需要的像素，这些像素可能不构成边缘。检查像素是否在其梯度方向的邻域中是局部最大值。否则，将被抑制（归零）。简而言之，得到的结果是一个具有"细边"的二值图像。# 4. 滞后阈值（决定哪些边是真正的边，哪些不是。为此需要两个阈值minVal和maxVal，任何强度梯度大于maxVal的边都肯定是边，小于minVal的边肯定是非边，因此丢弃。位于这两个阈值之间的边根据其连通性被分类为边或非边。如果它们连接到"确定边缘"像素，则它们被视为边缘的一部分。否则，它们也会被丢弃。）# # 选择滞后阈值minVal和maxVal是得到正确结果的关键。import cv2from matplotlib import pyplot as pltimg = 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()

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

补充：OpenCV-Python 中 Canny() 参数

步骤：

彩色图像转换为灰度图像（以灰度图或者单通道图读入）
对图像进行高斯模糊（去噪）
计算图像梯度，根据梯度计算图像边缘幅值与角度
沿梯度方向进行非极大值抑制（边缘细化）
双阈值边缘连接处理
二值化图像输出结果

"""cv2.Canny(image,            # 输入原图（必须为单通道图）          threshold1,           threshold2,       # 较大的阈值2用于检测图像中明显的边缘          [, edges[,           apertureSize[,    # apertureSize：Sobel算子的大小          L2gradient ]]])   # 参数(布尔值)：                              true： 使用更精确的L2范数进行计算（即两个方向的倒数的平方和再开放），                              false：使用L1范数（直接将两个方向导数的绝对值相加）。"""import cv2import numpy as np   original_img = cv2.imread("qingwen.png", 0)# canny(): 边缘检测img1 = cv2.GaussianBlur(original_img,(3,3),0)canny = cv2.Canny(img1, 50, 150)# 形态学：边缘检测_,Thr_img = cv2.threshold(original_img,210,255,cv2.THRESH_BINARY)#设定红色通道阈值210（阈值影响梯度运算效果）kernel = cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))         #定义矩形结构元素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()

可调整阈值大小的程序

import cv2import 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 = 0max_lowThreshold = 100ratio = 3kernel_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)  # initializationif cv2.waitKey(0) == 27:    cv2.destroyAllWindows()