Canny算子

2024-05-29 03:20
文章标签 canny 算子

本文主要是介绍Canny算子，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

Canny算子_百度百科 (baidu.com)icon-default.png?t=N7T8https://baike.baidu.com/item/Canny%E7%AE%97%E5%AD%90/8821789?fr=ge_ala

图像处理中最经典的边沿检测算法： Canny边缘检测_哔哩哔哩_bilibiliicon-default.png?t=N7T8https://www.bilibili.com/video/BV1U4411277i/?spm_id_from=333.1007.top_right_bar_window_history.content.click&vd_source=7c3bfbf39d037fe80c97234396acc524

读取图像

需要处理成灰度图，因为输出会根据图片的尺寸来决定输出的位置以及窗口的大小，所以我这里自己初始化固定了窗口大小有输出的位置。

import numpy as np
import cv2# 读取图像
image = cv2.imread('input_image.jpg', cv2.IMREAD_GRAYSCALE)# 将灰度图像调整为固定大小
gray_resized = cv2.resize(image, (500, 400), interpolation=cv2.INTER_NEAREST)# 获取屏幕尺寸
screen_height, screen_width = 1080, 1920# 计算窗口左上角位置
window_x = int((screen_width - 500) / 2)
window_y = int((screen_height - 400) / 2)# 创建窗口并显示结果
cv2.namedWindow('GrayImage', cv2.WINDOW_NORMAL)  # 设置窗口大小可调整
cv2.resizeWindow('GrayImage', 500, 400)
cv2.moveWindow('GrayImage', window_x, window_y)
cv2.imshow('GrayImage', gray_resized)
cv2.waitKey(0)
cv2.destroyAllWindows()

降噪（高斯滤波）

高斯滤波_百度百科 (baidu.com)icon-default.png?t=N7T8https://baike.baidu.com/item/%E9%AB%98%E6%96%AF%E6%BB%A4%E6%B3%A2/9032353?fr=ge_ala

OpenCV高斯滤波函数--GaussianBlur()参数说明_gaussianblur参数-CSDN博客icon-default.png?t=N7T8https://blog.csdn.net/qq_28126689/article/details/105953157用于平滑图像以消除噪声，使得后续的梯度计算更加稳定。

# 高斯滤波
image_blur = cv2.GaussianBlur(image, (5, 5), 1)

梯度计算

计算水平和垂直方向的梯度，因为是向量的形式他这个只有四条线来划分，假设计算出水平方向是指向0，垂直方向是指向90，他结果就是指向45，如果角度是30也会变成40。

# 计算梯度
gradient_x = cv2.Sobel(image_blur, cv2.CV_64F, 1, 0, ksize=3)
gradient_y = cv2.Sobel(image_blur, cv2.CV_64F, 0, 1, ksize=3)gradient_magnitude = np.sqrt(gradient_x ** 2 + gradient_y ** 2)
gradient_direction = np.arctan2(gradient_y, gradient_x) * 180 / np.pi

非极大值抑制

将梯度图像中的局部最大值保留，以消除非边缘像素。对于每个像素，只有梯度方向上的像素值是局部最大值，才会保留，其他像素将被抑制。

就是根据前面梯度的方向，假设他梯度方向是垂直的，如果当前位置上面的元素和下面位置的元素都小于当前位置的元素，则当前位置就是局部最大值，就应该保留下来，反之就会被抑制。

 # 非极大值抑制
gradient_magnitude_suppressed = np.zeros_like(gradient_magnitude)for i in range(1, gradient_magnitude.shape[0] - 1):for j in range(1, gradient_magnitude.shape[1] - 1):angle = gradient_direction[i, j]if (0 <= angle < 22.5) or (157.5 <= angle <= 180) or (-22.5 <= angle < 0) or (-180 <= angle < -157.5):if (gradient_magnitude[i, j] >= gradient_magnitude[i, j + 1]) and (gradient_magnitude[i, j] >= gradient_magnitude[i, j - 1]):gradient_magnitude_suppressed[i, j] = gradient_magnitude[i, j]elif (22.5 <= angle < 67.5) or (-157.5 <= angle < -112.5):if (gradient_magnitude[i, j] >= gradient_magnitude[i - 1, j + 1]) and (gradient_magnitude[i, j] >= gradient_magnitude[i + 1, j - 1]):gradient_magnitude_suppressed[i, j] = gradient_magnitude[i, j]elif (67.5 <= angle < 112.5) or (-112.5 <= angle < -67.5):if (gradient_magnitude[i, j] >= gradient_magnitude[i - 1, j]) and (gradient_magnitude[i, j] >= gradient_magnitude[i + 1, j]):gradient_magnitude_suppressed[i, j] = gradient_magnitude[i, j]elif (112.5 <= angle < 157.5) or (-67.5 <= angle < -22.5):if (gradient_magnitude[i, j] >= gradient_magnitude[i - 1, j - 1]) and (gradient_magnitude[i, j] >= gradient_magnitude[i + 1, j + 1]):gradient_magnitude_suppressed[i, j] = gradient_magnitude[i, j]

双阈值检测

像素梯度大于高阈值，则将其标记为强边缘；如果像素梯度介于低阈值和高阈值之间，则将其标记为弱边缘；否则，将其标记为非边缘。

介于两条线之间的就是可能保留可能淘汰还要看后续的处理，高分数线以上的直接保留，低分数线没达到的直接淘汰。

# 双阈值检测
gradient_magnitude_suppressed_normalized = cv2.normalize(gradient_magnitude_suppressed, None, 0, 255,cv2.NORM_MINMAX, cv2.CV_8U)low_threshold = int(low_threshold)high_threshold = int(high_threshold)strong_edges = (gradient_magnitude_suppressed_normalized >= high_threshold)weak_edges = (gradient_magnitude_suppressed_normalized >= low_threshold) & (gradient_magnitude_suppressed_normalized < high_threshold)

边缘连接

将弱边缘连接到强边缘，以形成完整的边缘。如果弱边缘与任何一个强边缘相连，则将其标记为边缘；否则，将其标记为非边缘。

就是画了两条分数线，低分数线以下的直接淘汰，高分数以上的直接录取，如果介于两条线之间的，看有没有关系，如果有关系就保留，没有关系就淘汰。

# 边缘连接
strong_edges_idx = np.argwhere(strong_edges)
weak_edges_idx = np.argwhere(weak_edges)edge_image = np.zeros_like(gradient_magnitude_suppressed_normalized)
edge_image[strong_edges] = 255for i, j in weak_edges_idx:if np.any(strong_edges[i - 1:i + 2, j - 1:j + 2]):edge_image[i, j] = 255

代码 

import numpy as np
import cv2def CannyEdgeDetection(image, sigma=1, low_threshold=20, high_threshold=50):# 1. 高斯滤波image_blur = cv2.GaussianBlur(image, (5, 5), sigma)# 2. 计算梯度gradient_x = cv2.Sobel(image_blur, cv2.CV_64F, 1, 0, ksize=3)gradient_y = cv2.Sobel(image_blur, cv2.CV_64F, 0, 1, ksize=3)gradient_magnitude = np.sqrt(gradient_x ** 2 + gradient_y ** 2)gradient_direction = np.arctan2(gradient_y, gradient_x) * 180 / np.pi# 3. 非极大值抑制gradient_magnitude_suppressed = np.zeros_like(gradient_magnitude)for i in range(1, gradient_magnitude.shape[0] - 1):for j in range(1, gradient_magnitude.shape[1] - 1):angle = gradient_direction[i, j]if (0 <= angle < 22.5) or (157.5 <= angle <= 180) or (-22.5 <= angle < 0) or (-180 <= angle < -157.5):if (gradient_magnitude[i, j] >= gradient_magnitude[i, j + 1]) and (gradient_magnitude[i, j] >= gradient_magnitude[i, j - 1]):gradient_magnitude_suppressed[i, j] = gradient_magnitude[i, j]elif (22.5 <= angle < 67.5) or (-157.5 <= angle < -112.5):if (gradient_magnitude[i, j] >= gradient_magnitude[i - 1, j + 1]) and (gradient_magnitude[i, j] >= gradient_magnitude[i + 1, j - 1]):gradient_magnitude_suppressed[i, j] = gradient_magnitude[i, j]elif (67.5 <= angle < 112.5) or (-112.5 <= angle < -67.5):if (gradient_magnitude[i, j] >= gradient_magnitude[i - 1, j]) and (gradient_magnitude[i, j] >= gradient_magnitude[i + 1, j]):gradient_magnitude_suppressed[i, j] = gradient_magnitude[i, j]elif (112.5 <= angle < 157.5) or (-67.5 <= angle < -22.5):if (gradient_magnitude[i, j] >= gradient_magnitude[i - 1, j - 1]) and (gradient_magnitude[i, j] >= gradient_magnitude[i + 1, j + 1]):gradient_magnitude_suppressed[i, j] = gradient_magnitude[i, j]# 4. 双阈值检测gradient_magnitude_suppressed_normalized = cv2.normalize(gradient_magnitude_suppressed, None, 0, 255,cv2.NORM_MINMAX, cv2.CV_8U)low_threshold = int(low_threshold)high_threshold = int(high_threshold)strong_edges = (gradient_magnitude_suppressed_normalized >= high_threshold)weak_edges = (gradient_magnitude_suppressed_normalized >= low_threshold) & (gradient_magnitude_suppressed_normalized < high_threshold)# 5. 边缘连接strong_edges_idx = np.argwhere(strong_edges)weak_edges_idx = np.argwhere(weak_edges)edge_image = np.zeros_like(gradient_magnitude_suppressed_normalized)edge_image[strong_edges] = 255for i, j in weak_edges_idx:if np.any(strong_edges[i - 1:i + 2, j - 1:j + 2]):edge_image[i, j] = 255return edge_image# 读取图像
image = cv2.imread('input_image.jpg', cv2.IMREAD_GRAYSCALE)# 使用Canny算子进行边缘检测
edges = CannyEdgeDetection(image)# 将边缘图像调整为固定大小
edges_resized = cv2.resize(edges, (500, 400), interpolation=cv2.INTER_NEAREST)# 获取屏幕尺寸
screen_height, screen_width = 1080, 1920# 计算窗口左上角位置
window_x = int((screen_width - 500) / 2)
window_y = int((screen_height - 400) / 2)# 创建窗口并显示结果
cv2.namedWindow('Canny Edge Detection', cv2.WINDOW_NORMAL)  # 设置窗口大小可调整
cv2.resizeWindow('Canny Edge Detection', 500, 400)
cv2.moveWindow('Canny Edge Detection', window_x, window_y)
cv2.imshow('Canny Edge Detection', edges_resized)
cv2.waitKey(0)
cv2.destroyAllWindows()

 这个代码是用chatGpt生成的，思路大概是没错的，但是不知道能不能对的上，还有就是识别出来的图像不对，可能很稀疏的几个点，也可能很密集，这个就需要调整高阈值和低阈值来处理。

这篇关于Canny算子的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/1012500。

相关文章

spark算子集锦

spark算子集锦

Spark 是大数据领域的一大利器，花时间总结了一下 Spark 常用算子，正所谓温故而知新。 Spark 算子按照功能分，可以分成两大类：transform 和 action。Transform 不进行实际计算，是惰性的，action 操作才进行实际的计算。如何区分两者？看函数返回，如果输入到输出都是RDD类型，则认为是transform操作，反之为action操作。 准备 准备阶段包括s
阅读更多...
OrangePi AIpro 香橙派 昇腾 Ascend C 算子开发 与 调用 - Tiling实现 2

OrangePi AIpro 香橙派 昇腾 Ascend C 算子开发 与 调用 - Tiling实现 2

OrangePi AIpro 香橙派 昇腾 Ascend C 算子开发 与 调用 - Tiling实现 2 flyfish 前置知识 1 前置知识 2 Host侧CPU和Device侧NPU的主要区别 不同的硬件资源 CPU是为了执行通用计算任务而设计的，但在处理大量的并行计算（如矩阵乘、批数据处理）时效率不高。NPU是为了加速机器学习和深度学习任务而设计的，它擅长执行大量的并行计算。N
阅读更多...
fpga图像处理实战-边缘检测 （Roberts算子）

fpga图像处理实战-边缘检测 （Roberts算子）

Roberts算子         Roberts算子是一种用于边缘检测的算子，主要用于图像处理中检测图像的边缘。它是最早的边缘检测算法之一，以其计算简单、速度快而著称。Roberts算子通过计算图像像素在对角方向的梯度来检测边缘，从而突出图像中灰度变化最剧烈的部分。 原理             Roberts算子通过对图像应用两个2x2的卷积核（也称为掩模或滤波器）来计算图像在水平和垂直
阅读更多...
图像边缘检测技术详解：利用OpenCV实现Sobel算子

图像边缘检测技术详解：利用OpenCV实现Sobel算子

图像边缘检测技术详解：利用OpenCV实现Sobel算子 前言Sobel算子的原理代码演示结果展示结语 前言   在数字图像处理的广阔领域中，边缘检测技术扮演着至关重要的角色。无论是在科学研究、工业自动化，还是在日常生活中的智能设备中，我们都需要从图像中提取有用的信息。边缘，作为图像中亮度变化最显著的地方，为我们提供了识别和理解图像内容的关键线索。因此，边缘检测算法成为了计算机视
阅读更多...
OrangePi AIpro 香橙派 昇腾 Ascend C 算子开发 与 调用 - Tiling实现

OrangePi AIpro 香橙派 昇腾 Ascend C 算子开发 与 调用 - Tiling实现

OrangePi AIpro 香橙派 昇腾 Ascend C 算子开发 与 调用 - Tiling实现 flyfish 前置知识 基于Kernel直调工程的算子开发流程图 其中有一个Tiling实现 什么是Tiling、Tiling实现 计算API，包括标量计算API、向量计算API、矩阵计算API，分别实现调用Scalar计算单元、Vector计算单元、Cube计算单元执行计算的功
阅读更多...
深度学习常用算子

深度学习常用算子

深度学习常用算子 算子功能ReluReLU(x)=max(0,x)LeakyReluLeakyRelu(x) = (x >= 0 ? x : x*negative_slope)Relu6LeakyRelu(x) = max(max(x, 0), 6)Tantanh(x)=(exp(x)-exp(-x))/(exp(x)+exp(-x))sigmoidsigmoid(x) = 1.
阅读更多...
计算机 软件 什么是算子

计算机 软件 什么是算子

算法(algorithm)是为了达到某个目标，实施的一系列指令的过程，而指令包含算子(operator)和操作数(operand)。   算子：operator, 简单说来就是进行某种“操作“，动作。算法中的一个函数、几行可以重复使用的代码、一个数学中的平方操作，这些都可以认为是算子 操作数：operand，被操作的对象，称之为操作数。     广义的讲，对任何函数进行某一项操作都可以
阅读更多...
Halcon提取边缘线段lines_gauss 算子

Halcon提取边缘线段lines_gauss 算子

Halcon提取边缘线段lines_gauss 算子 edges_color_sub_pix和edges_sub_pix两个算子使用边缘滤波器进行边缘检测。还有一个常用的算子lines_gauss算子，也可以用于提取边缘线段，它的鲁棒性非常好，提取出的线段类型是亚像素精度的XLD轮廓。其原型如下： lines gauss(Image : Lines : Sigma, Low, High, Li
阅读更多...
Python OpenCV -- Canny 边缘检测 （十一）

Python OpenCV -- Canny 边缘检测 （十一）

Canny 边缘检测 原理   Canny 边缘检测算法 是 John F. Canny 于 1986年开发出来的一个多级边缘检测算法，也被很多人认为是边缘检测的 最优算法, 最优边缘检测的三个主要评价标准是:   低错误率: 标识出尽可能多的实际边缘，同时尽可能的减少噪声产生的误报。   高定位性: 标识出的边缘要与图像中的实际边缘尽可能接近。   最小响应: 图像中的边缘只能标识一次。
阅读更多...
Sobel算子，Scharr算子和Laplacian算子

Sobel算子，Scharr算子和Laplacian算子

图像边缘检测大幅度地减少了数据量，并且剔除了可以认为不相关的信息，保留了图像重要的结构属性。有许多方法用于边缘检测， 绝大部分可以划分为两类：基于搜索和基于零穿越。 基于搜索:通过寻找图像一阶导数中的最大值来检测边界，然后利用计算结果估计边缘的局部方向，通常采用梯度的方向，并利用此方向找到局部梯度模的最大值，代表算法是Sobel算子和Scharr算子 基于零穿越:通过寻找图像二阶导数零穿越来寻找边
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2