3种python3的canny边缘检测之静态，可调节和自适应
先看高级版的python3的canny的自适应边缘检测：
car的效果图
内容：
1 canny的边缘检测的介绍。
2 三种方法的canny的边缘检测，由浅入深地介绍：固定值的静态，可自调节的，自适应的。
说明：
1 环境：python3.8、opencv4.5.3和matplotlib3.4.3。
2 图片：来自今日头条正版免费图库。
3 实现自适应阈值的canny边缘检测的参考代码和文章：#基于python2实现自适应阈值的canny https://github.com/sadimanna/canny #本文基于python3，复现一种自适应的阈值分割方法。 https://blog.csdn.net/lyxleft/article/details/91558726?spm=1001.2014.3001.5501
上述的代码，本机均有报错，故对代码进行修改，注释和运行。
初级canny：
1 介绍：opencv中给出了canny边缘检测的接口，直接调用：ret = cv2.canny(img,t1,t2)
即可得到边缘检测的结果ret，其中，t1，t2是需要人为设置的阈值。
2 python的opencv的一行代码即可实现边缘检测。
3 Canny函数及使用：函数：Canny edges = cv2.Canny(image, threshold1, threashold2) 参数： image : 原始图像 threshold1 : 阈值1 (minVal) threshold2 : 阈值2 (maxVal) 返回值：edges : 边缘图像
4 Canny边缘检测流程：
去噪 --> 梯度 --> 非极大值抑制 --> 滞后阈值Canny边缘检测算法其实非常复杂，包括4个步骤： 1 去噪：用高斯滤波器对图像进行去噪 2 梯度：计算梯度 3 NMS：在边缘上使用非极大值抑制（NMS） 4 滞后阈值： 在检测到的边缘上使用双阈值去除假阳性 分析所有的边缘及其之间的连接，以保留真正的边缘去除不明显的边缘
5 代码：import cv2 img = cv2.imread(＂/home/xgj/Desktop/edge_detection/snake.jpeg＂, cv2.IMREAD_GRAYSCALE) cv2.imshow(＂snake＂, img) ret1 = cv2.Canny(img, 100, 200) #人工设置固定值 cv2.imshow(＂result1＂, ret1) ret2 = cv2.Canny(img, 20, 60) #人工设置固定值 cv2.imshow(＂result2＂, ret2) cv2.waitKey() cv2.destroyAllWindows()
6 操作和过程：
7 原图：
8 疑问：
ret = cv2.canny(img,t1,t2)，其中，t1，t2是需要人为设置的阈值，一般人怎么知道具体数值是多少，才是最佳的呀？所以，这是它的缺点。
中级canny：
1 中级canny，就是可调节的阈值，找到最佳的canny边缘检测效果。
2 采用cv2.createTrackbar来调节阈值。
3 代码：import cv2 import numpy as np img= cv2.imread(＂/home/xgj/Desktop/edge_detection/3_self_canny/girl.jpeg＂) cv2.namedWindow(＂Canny edge detect＂) #设置窗口,cv2.WINDOW_NORMAL表示窗口大小可自动调节 cv2.namedWindow(＂Original Image＂) def nothing(x): pass # 创建两个滑动条，分别控制minVal(最小阈值)、maxVal(最大阈值). # minVal:滑动条名称; ＂Canny edge detect＂:窗口名; 60:滑动条默认滑动位置; 300:最大值 ; nothing:回调函数 cv2.createTrackbar(＂minVal＂,＂Canny edge detect＂,60,300,nothing) cv2.createTrackbar(＂maxVal＂,＂Canny edge detect＂,100,400,nothing) while(1): #获得滑动条所在的位置 #cv2.getTrackbarPos(滑动条名称，窗口名); minVal = cv2.getTrackbarPos(＂minVal＂,＂Canny edge detect＂) maxVal = cv2.getTrackbarPos(＂maxVal＂,＂Canny edge detect＂) #Canny边缘检测 #cv2.Canny函数参数解析： # img:原图像名 # minVal:最小梯度 # maxVal:最大梯度 # 5 ：5*5大小的高斯滤波器(卷积核)，用来消除噪声影响 # L2gradient :求图像梯度，从而进行去除非边界上的点（非极大值抑制） edgeImage = cv2.Canny(img,minVal,maxVal,5,L2gradient=True) #显示图片 cv2.imshow(＂Original Image＂,img) #原图 cv2.imshow(＂Canny edge detect＂,edgeImage) # Canny检测后的图 k = cv2.waitKey(1) if k ==ord(＂q＂)& 0xFF: # 按 q 退出 break cv2.destroyAllWindows()#销毁窗口
4 操作和效果：
5 原图：
高级canny：
1 自适应canny的算法：
ret = cv2.canny(img,t1,t2)
即算法在运行过程中能够自适应地找到较佳的分割阈值t1，t2。
2 文件结构：
3 main.py代码： # 主程序：main.py # 第1步：模块导入 import numpy as np import cv2, time, math from matplotlib import pyplot as plt from scipy.signal import convolve2d as conv2 #两个自定义模块（库）导入 from bilateralfilt import bilatfilt from dog import deroGauss # 第2步：函数定义 # 2-1 获取边缘函数：用高斯滤波器对图像进行去噪 def get_edges(I,sd): dim = I.shape Idog2d = np.zeros((nang,dim[0],dim[1])) for i in range(nang): dog2d = deroGauss(5,sd,angles[i]) Idog2dtemp = abs(conv2(I,dog2d,mode=＂same＂,boundary=＂fill＂)) Idog2dtemp[Idog2dtemp<0]=0 Idog2d[i,:,:] = Idog2dtemp return Idog2d # 2-2 计算梯度 def calc_sigt(I,threshval): M,N = I.shape ulim = np.uint8(np.max(I)) N1 = np.count_nonzero(I>threshval) N2 = np.count_nonzero(I<=threshval) w1 = np.float64(N1)/(M*N) w2 = np.float64(N2)/(M*N) try: u1 = sum(i*np.count_nonzero(np.multiply(I>i-0.5,I<=i+0.5))/N1 for i in range(threshval+1,ulim)) u2 = sum(i*np.count_nonzero(np.multiply(I>i-0.5,I<=i+0.5))/N2 for i in range(threshval+1)) uT = u1*w1+u2*w2 sigt = w1*w2*(u1-u2)**2 except: return 0 return sigt # 2-3 非极大值抑制（NMS） def nonmaxsup(I,gradang): dim = I.shape Inms = np.zeros(dim) xshift = int(np.round(math.cos(gradang*np.pi/180))) yshift = int(np.round(math.sin(gradang*np.pi/180))) Ipad = np.pad(I,(1,),＂constant＂,constant_values = (0,0)) for r in range(1,dim[0]+1): for c in range(1,dim[1]+1): maggrad = [Ipad[r-xshift,c-yshift],Ipad[r,c],Ipad[r+xshift,c+yshift]] if Ipad[r,c] == np.max(maggrad): Inms[r-1,c-1] = Ipad[r,c] return Inms # 2-4-1 阈值 def threshold(I,uth): lth = uth/2.5 Ith = np.zeros(I.shape) Ith[I>=uth] = 255 Ith[I=lth, I0: Ipad[i,j] = 255 else: Ipad[i,j] = 0 Ih = Ipad[1:r+1,1:c+1] return Ih # 2-4-3 获取最佳阈值 def get_threshold(I): max_sigt = 0 opt_t = 0 ulim = np.uint8(np.max(I)) print(ulim,＂ ＂) for t in range(ulim+1): sigt = calc_sigt(I,t) if sigt > max_sigt: max_sigt = sigt opt_t = t print (＂optimal high threshold: ＂,opt_t,＂ ＂) return opt_t # 第3步：图片读取 # 读取原图 img = cv2.imread(＂/home/xgj/Desktop/edge_detection/3_self_canny/car.jpeg＂) # 判断原图大小，如果大于多少，就调节图片大小 # 否则不调节 while img.shape[0] > 1100 or img.shape[1] > 1100: img = cv2.resize(img,None, fx=0.5,fy=0.5,interpolation = cv2.INTER_AREA) # 转换为gray灰度图 gimg = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) dim = img.shape #获取图片大小 # 第4步：开始图像的canny的自适应操作 #Bilateral filtering=双边滤波 print(＂总共有2步：有一定的耗时，与图片大小有关 ＂) print(＂第1步： ＂) print (＂Bilateral filtering... ＂) # 双边滤波：达到保边去噪 gimg = bilatfilt(gimg,5,3,10) print (＂after bilat: ＂,np.max(gimg),＂ ＂) #获取时间计时 stime = time.time() angles = [0,45,90,135] nang = len(angles) #Gradient of Image=图片的梯度 print (＂Calculating Gradient... ＂) img_edges = get_edges(gimg,2) print (＂after gradient: ＂,np.max(img_edges),＂ ＂) #Non-max suppression：在边缘上使用非极大值抑制（NMS） print (＂Suppressing Non-maximas... ＂) for n in range(nang): img_edges[n,:,:] = nonmaxsup(img_edges[n,:,:],angles[n]) print (＂after nms: ＂, np.max(img_edges),＂ ＂) print (＂请关掉matplotlib的图形窗口，进行下一步自适应… ＂) img_edge = np.max(img_edges,axis=0) lim = np.uint8(np.max(img_edge)) plt.imshow(img_edge) plt.show() print(＂第2步 函数调用： ＂) # 计算阈值 print (＂Calculating Threshold... ＂) th = get_threshold(gimg) the = get_threshold(img_edge) # 获取阈值 print (＂ Thresholding... ＂) img_edge = threshold(img_edge, the*0.25) # 在边缘上使用非极大值抑制，滞后效应，获取自适应阈值 print (＂Applying Hysteresis... ＂) img_edge = nonmaxsup(hysteresis(img_edge),90) # 第5步：canny调用获取的自适应阈值 # 获取自适应的阈值采用canny进行边缘检测 img_canny = cv2.Canny(np.uint8(gimg),th/3,th) cv2.imshow(＂Uncanny＂,img_edge) cv2.imshow(＂Canny＂,img_canny) print( ＂Time taken :: ＂, str(time.time()-stime)+＂ seconds... ＂) print(＂结束！！＂) cv2.waitKey(0)
4 dog.py代码：import numpy as np import math def deroGauss(w=5,s=1,angle=0): wlim = (w-1)/2 y,x = np.meshgrid(np.arange(-wlim,wlim+1),np.arange(-wlim,wlim+1)) G = np.exp(-np.sum((np.square(x),np.square(y)),axis=0)/(2*np.float64(s)**2)) G = G/np.sum(G) dGdx = -np.multiply(x,G)/np.float64(s)**2 dGdy = -np.multiply(y,G)/np.float64(s)**2 angle = angle*math.pi/180 dog = math.cos(angle)*dGdx + math.sin(angle)*dGdy return dog
5 bilateralfilt.py代码：import numpy as np # 双边滤波 def bilatfilt(I,w,sd,sr): dim = I.shape Iout= np.zeros(dim) wlim = (w-1)//2 y,x = np.meshgrid(np.arange(-wlim,wlim+1),np.arange(-wlim,wlim+1)) g = np.exp(-np.sum((np.square(x),np.square(y)),axis=0)/(2*(np.float64(sd)**2))) Ipad = np.pad(I,(wlim,),＂edge＂) for r in range(wlim,dim[0]+wlim): for c in range(wlim,dim[1]+wlim): Ix = Ipad[r-wlim:r+wlim+1,c-wlim:c+wlim+1] s = np.exp(-np.square(Ix-Ipad[r,c])/(2*(np.float64(sr)**2))) k = np.multiply(g,s) Iout[r-wlim,c-wlim] = np.sum(np.multiply(k,Ix))/np.sum(k) return Iout
6 原图：
7 效果图：本文第一个gif图，此处省略。
小结：
1 本文由浅入深，总结的很好，适合收藏。
2 对于理解python的opencv的canny的边缘检测，很有帮助。
3 本文高级版canny自适应的算法参考2篇文章，虽然我进行代码的删除，注释，修改，优化等操作，故我不标注原创，对原作者表达敬意。
4 自己总结和整理，分享出来，希望对大家有帮助。
