Python如何使用cv2.canny進(jìn)行圖像邊緣檢測(cè)

更新時(shí)間：2023年01月28日 15:18:55 作者：風(fēng)華明遠(yuǎn)

這篇文章主要介紹了Python如何使用cv2.canny進(jìn)行圖像邊緣檢測(cè)問(wèn)題，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教

使用cv2.canny進(jìn)行圖像邊緣檢測(cè)

CV2提供了提取圖像邊緣的函數(shù)canny。

其算法思想如下：

1.使用高斯模糊，去除噪音點(diǎn)（cv2.GaussianBlur）
2.灰度轉(zhuǎn)換（cv2.cvtColor）
3.使用sobel算子，計(jì)算出每個(gè)點(diǎn)的梯度大小和梯度方向
4.使用非極大值抑制(只有最大的保留)，消除邊緣檢測(cè)帶來(lái)的雜散效應(yīng)
5.應(yīng)用雙閾值，來(lái)確定真實(shí)和潛在的邊緣
6.通過(guò)抑制弱邊緣來(lái)完成最終的邊緣檢測(cè)

Canny函數(shù)的定義如下：

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

參數(shù)含義如下：

image：要檢測(cè)的圖像
threshold1：閾值1（最小值）
threshold2：閾值2（最大值），使用此參數(shù)進(jìn)行明顯的邊緣檢測(cè)
edges：圖像邊緣信息
apertureSize：sobel算子（卷積核）大小
L2gradient ：布爾值。
True：使用更精確的L2范數(shù)進(jìn)行計(jì)算（即兩個(gè)方向的導(dǎo)數(shù)的平方和再開方）
False：使用L1范數(shù)（直接將兩個(gè)方向?qū)?shù)的絕對(duì)值相加）

L2gradie=True使用的公式

其中較大的閾值2用于檢測(cè)圖像中明顯的邊緣，但一般情況下檢測(cè)的效果不會(huì)那么完美，邊緣檢測(cè)出來(lái)是斷斷續(xù)續(xù)的。所以這時(shí)候用較小的第一個(gè)閾值用于將這些間斷的邊緣連接起來(lái)。

閾值對(duì)檢測(cè)結(jié)果的影響

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，在調(diào)整threshold1之后，檢測(cè)出的邊緣增多了。

sobel算子對(duì)檢測(cè)結(jié)果的影響

sobel默認(rèn)的算子大小是3，擴(kuò)大算子，會(huì)獲得更多的細(xì)節(jié)，但是也更能提取圖像了。

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()

范數(shù)對(duì)檢測(cè)結(jié)果的影響

L2gradient=True時(shí)，檢測(cè)出的邊緣減少了。

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()