本文利用python opencv进行图像的边缘检测，一般要经过如下几个步骤：
1、去噪
如cv2.gaussianblur()等函数；
2、计算图像梯度
图像梯度表达的是各个像素点之间，像素值大小的变化幅度大小，变化较大，则可以认为是出于边缘位置，最多可简化为如下形式：
3、非极大值抑制
在获得梯度的方向和大小之后，应该对整幅图像做一个扫描，去除那些非边界上的点。对每一个像素进行检查，看这个点的梯度是不是周围具有相同梯度方向的点中最大的。如下图所示：
4、滞后阈值
现在要确定那些边界才是真正的边界。这时我们需要设置两个阈值：minval 和maxval。当图像的灰度梯度高于maxval 时被认为是真的边界，那些低于minval 的边界会被抛弃。如果介于两者之间的话，就要看这个点是否与某个被确定为真正的边界点相连，如果是就认为它也是边界点，如果不是就抛弃。如下图：
在python opencv接口中，提供了canny函数，可以对图像进行一键执行边缘检测。
接下来，利用canny函数进行边缘检测的实验。
canny函数需要指定几个参数：
1、需要进行边缘检测的原图
2、阈值下限
3、阈值上限
我们为了能够看到不同阈值范围对边缘检测结果的影响，设置了两个滑动条，来分别表示阈值上下限。
完整代码如下：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
|
# -*- coding: utf-8 -*-"""created on thu sep 13 14:23:32 2018@author: leon内容：对图片进行边缘检测；添加滑动条，可自由调整阈值上下限。""" import cv2import numpy as np def nothing(x): pass cv2.namedwindow('canny',0)# 创建滑动条cv2.createtrackbar('minval','canny',0,255,nothing)cv2.createtrackbar('maxval','canny',0,255,nothing) img = cv2.imread('tree.jpg',0) # 高斯滤波去噪img = cv2.gaussianblur(img,(3,3),0)edges =img k=0while(1): key = cv2.waitkey(50) & 0xff if key == ord('q'): break # 读取滑动条数值 minval = cv2.gettrackbarpos('minval','canny') maxval = cv2.gettrackbarpos('maxval','canny') edges = cv2.canny(img,minval,maxval) # 拼接原图与边缘监测结果图 img_2 = np.hstack((img,edges)) cv2.imshow('canny',img_2) cv2.destroyallwindows() |
效果如图：
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持服务器之家。
原文链接：https://blog.csdn.net/oYeZhou/article/details/82691637
