python canny优化_python实现canny边缘检测

canny边缘检测原理

canny边缘检测共有5部分组成,下边我会分别来介绍。

1 高斯模糊(略)

2 计算梯度幅值和方向。

可选用的模板:soble算子、Prewitt算子、Roberts模板等等;

一般采用soble算子,OpenCV也是如此,利用soble水平和垂直算子与输入图像卷积计算dx、dy:

进一步可以得到图像梯度的幅值:

为了简化计算,幅值也可以作如下近似:

角度为:

如下图表示了中心点的梯度向量、方位角以及边缘方向(任一点的边缘与梯度向量正交) :

θ = θm = arctan(dy/dx)(边缘方向)

α = θ + 90= arctan(dy/dx) + 90(梯度方向)

3、根据角度对幅值进行非极大值抑制

划重点:是沿着梯度方向对幅值进行非极大值抑制,而非边缘方向,这里初学者容易弄混。

例如:3*3区域内,边缘可以划分为垂直、水平、45°、135°4个方向,同样,梯度反向也为四个方向(与边缘方向正交)。因此为了进行非极大值,将所有可能的方向量化为4个方向,如下图:

即梯度方向分别为

α = 90

α = 45

α = 0

α = -45

非极大值抑制即为沿着上述4种类型的梯度方向,比较3*3邻域内对应邻域值的大小:

在每一点上,领域中心 x 与沿着其对应的梯度方向的两个像素相比,若中心像素为最大值,则保留,否则中心置0,这样可以抑制非极大值,保留局部梯度最大的点,以得到细化的边缘。

4、用双阈值算法检测和连接边缘

1选取系数TH和TL,比率为2:1或3:1。(一般取TH=0.3或0.2,TL=0.1);

2 将小于低阈值的点抛弃,赋0;将大于高阈值的点立即标记(这些点为确定边缘 点),赋1或255;

3将小于高阈值,大于低阈值的点使用8连通区域确定(即:只有与TH像素连接时才会被接受,成为边缘点,赋 1或255)

python 实现

import cv2

import numpy as np

m1 = np.array([[1, 0, -1], [2, 0, -2], [1, 0, -1]])

m2 = np.array([[1, 2, 1], [0, 0, 0], [-1, -2, -1]])

from matplotlib import pyplot as plt

# 第一步:完成高斯平滑滤波

img = cv2.imread("B9064CF1D57871735CE11A0F368DCF27.jpg", 0)

sobel = cv2.Canny(img, 50, 100)

cv2.namedWindow('5', 0)

cv2.resizeWindow("5", 640, 480)

cv2.imshow("5", sobel) # 角度值灰度图

img = cv2.GaussianBlur(img, (3, 3), 2)

# 第二步:完成一阶有限差分计算,计算每一点的梯度幅值与方向

img1 = np.zeros(img.shape, dtype="uint8") # 与原图大小相同

theta = np.zeros(img.shape, dtype="float") # 方向矩阵原图像大小

img = cv2.copyMakeBorder(img, 1, 1, 1, 1, borderType=cv2.BORDER_REPLICATE)

rows, cols = img.shape

for i in range(1, rows - 1):

for j in range(1, cols - 1):

Gy = [np.sum(m2 * img[i - 1:i + 2, j - 1:j + 2])]

#Gy = (np.dot(np.array([1, 1, 1]), (m2 * img[i - 1:i + 2, j - 1:j + 2]))).dot(np.array([[1], [1], [1]]))

Gx = [np.sum(m1 * img[i - 1:i + 2, j - 1:j + 2])]

#Gx = (np.dot(np.array([1, 1, 1]), (m1 * img[i - 1:i + 2, j - 1:j + 2]))).dot(np.array([[1], [1], [1]]))

if Gx[0] == 0:

theta[i - 1, j - 1] = 90

continue

else:

temp = ((np.arctan2(Gy[0], Gx[0])) * 180 / np.pi)+90

if Gx[0] * Gy[0] > 0:

if Gx[0] > 0:

# 第一象线

theta[i - 1, j - 1] = np.abs(temp)

else:

# 第三象线

theta[i - 1, j - 1] = (np.abs(temp) - 180)

if Gx[0] * Gy[0] < 0:

if Gx[0] > 0:

# 第四象线

theta[i - 1, j - 1] = (-1) * np.abs(temp)

else:

# 第二象线

theta[i - 1, j - 1] = 180 - np.abs(temp)

img1[i - 1, j - 1] = (np.sqrt(Gx[0] ** 2 + Gy[0] ** 2))

for i in range(1, rows - 2):

for j in range(1, cols - 2):

if (((theta[i, j] >= -22.5) and (theta[i, j] < 22.5)) or

((theta[i, j] <= -157.5) and (theta[i, j] >= -180)) or

((theta[i, j] >= 157.5) and (theta[i, j] < 180))):

theta[i, j] = 0.0

elif (((theta[i, j] >= 22.5) and (theta[i, j] < 67.5)) or

((theta[i, j] <= -112.5) and (theta[i, j] >= -157.5))):

theta[i, j] = -45.0

elif (((theta[i, j] >= 67.5) and (theta[i, j] < 112.5)) or

((theta[i, j] <= -67.5) and (theta[i, j] >= -112.5))):

theta[i, j] = 90.0

elif (((theta[i, j] >= 112.5) and (theta[i, j] < 157.5)) or

((theta[i, j] <= -22.5) and (theta[i, j] >= -67.5))):

theta[i, j] = 45.0

'''

for i in range(1, rows - 1):

for j in range(1, cols - 1):

Gy = [np.sum(m2 * img[i - 1:i + 2, j - 1:j + 2])]

#Gy = (np.dot(np.array([1, 1, 1]), (m2 * img[i - 1:i + 2, j - 1:j + 2]))).dot(np.array([[1], [1], [1]]))

Gx = [np.sum(m1 * img[i - 1:i + 2, j - 1:j + 2])]

#Gx = (np.dot(np.array([1, 1, 1]), (m1 * img[i - 1:i + 2, j - 1:j + 2]))).dot(np.array([[1], [1], [1]]))

if Gx[0] == 0:

theta[i - 1, j - 1] = 90

continue

else:

temp = (np.arctan2(Gy[0], Gx[0])) * 180 / np.pi)

if Gx[0] * Gy[0] > 0:

if Gx[0] > 0:

# 第一象线

theta[i - 1, j - 1] = np.abs(temp)

else:

# 第三象线

theta[i - 1, j - 1] = (np.abs(temp) - 180)

if Gx[0] * Gy[0] < 0:

if Gx[0] > 0:

# 第四象线

theta[i - 1, j - 1] = (-1) * np.abs(temp)

else:

# 第二象线

theta[i - 1, j - 1] = 180 - np.abs(temp)

img1[i - 1, j - 1] = (np.sqrt(Gx[0] ** 2 + Gy[0] ** 2))

for i in range(1, rows - 2):

for j in range(1, cols - 2):

if (((theta[i, j] >= -22.5) and (theta[i, j] < 22.5)) or

((theta[i, j] <= -157.5) and (theta[i, j] >= -180)) or

((theta[i, j] >= 157.5) and (theta[i, j] < 180))):

theta[i, j] = 90.0

elif (((theta[i, j] >= 22.5) and (theta[i, j] < 67.5)) or

((theta[i, j] <= -112.5) and (theta[i, j] >= -157.5))):

theta[i, j] = 45.0

elif (((theta[i, j] >= 67.5) and (theta[i, j] < 112.5)) or

((theta[i, j] <= -67.5) and (theta[i, j] >= -112.5))):

theta[i, j] = 0.0

elif (((theta[i, j] >= 112.5) and (theta[i, j] < 157.5)) or

((theta[i, j] <= -22.5) and (theta[i, j] >= -67.5))):

theta[i, j] = -45.0

'''

# 第三步:进行 非极大值抑制计算

img2 = np.zeros(img1.shape) # 非极大值抑制图像矩阵

for i in range(1, img2.shape[0] - 1):

for j in range(1, img2.shape[1] - 1):

# 0度j不变

if (theta[i, j] == 0.0) and (img1[i, j] == np.max([img1[i, j], img1[i + 1, j], img1[i - 1, j]])):

img2[i, j] = img1[i, j]

if (theta[i, j] == -45.0) and img1[i, j] == np.max([img1[i, j], img1[i - 1, j - 1], img1[i + 1, j + 1]]):

img2[i, j] = img1[i, j]

if (theta[i, j] == 90.0) and img1[i, j] == np.max([img1[i, j], img1[i, j + 1], img1[i, j - 1]]):

img2[i, j] = img1[i, j]

if (theta[i, j] == 45.0) and img1[i, j] == np.max([img1[i, j], img1[i - 1, j + 1], img1[i + 1, j - 1]]):

img2[i, j] = img1[i, j]

# 第四步:双阈值检测和边缘连接

img3 = np.zeros(img2.shape) # 定义双阈值图像

# TL = 0.4*np.max(img2)

# TH = 0.5*np.max(img2)

TL = 50

TH = 100

# 关键在这两个阈值的选择

for i in range(1, img3.shape[0] - 1):

for j in range(1, img3.shape[1] - 1):

if img2[i, j] < TL:

img3[i, j] = 0

elif img2[i, j] > TH:

img3[i, j] = 255

elif ((img2[i + 1, j] < TH) or (img2[i - 1, j] < TH) or (img2[i, j + 1] < TH) or

(img2[i, j - 1] < TH) or (img2[i - 1, j - 1] < TH) or (img2[i - 1, j + 1] < TH) or

(img2[i + 1, j + 1] < TH) or (img2[i + 1, j - 1] < TH)):

img3[i, j] = 255

cv2.namedWindow('1', 0)

cv2.resizeWindow("1", 640, 480)

cv2.namedWindow('2', 0)

cv2.resizeWindow("2", 640, 480)

cv2.namedWindow('3', 0)

cv2.resizeWindow("3", 640, 480)

cv2.namedWindow('4', 0)

cv2.resizeWindow("4", 640, 480)

cv2.imshow("1", img) # 原始图像

cv2.imshow("2", img1) # 梯度幅值图

cv2.imshow("3", img2) # 非极大值抑制灰度图

cv2.imshow("4", img3) # 最终效果图

cv2.waitKey(0)

运行结果如下

以上就是python实现canny边缘检测的详细内容,更多关于canny边缘检测的资料请关注我们其它相关文章!

本文标题: python实现canny边缘检测

本文地址: http://www.cppcns.com/jiaoben/python/345130.html

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/513381.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

java变位词_GoLang 字符串变位词

GoLang 实现func solution(s , t string)bool{if s t {return true}length : len(s)if length ! len(t) {return false}// 32 --> ~ 126const MAX_ASCII int 94const SPACE_INDEX rune 32numbers : [MAX_ASCII]int{}sRune : []rune(s)tRune :[]rune(t)for i : 0 ; i <…

CENTOS 7 踢用户_CentOS服务器及MySQL数据库性能测试-乐搏软件测试

这期小编和大家分享使用Sysbench&#xff0c;进行CentOS服务器及MySQL数据库的性能测试。Sysbench是一个跨平台的基准测试工具。基准测试是对数据库的性能指标进行定量的、可复现的、可对比的测试。基准测试可以理解为针对系统的一种压力测试。但基准测试不关心业务逻辑更加简单…

何朝曦:构建云化安全能力的三个建议

11月12日&#xff0c;深信服智安全创新峰会在云端拉开帷幕&#xff0c;深信服创始人&CEO何朝曦在《构建云化时代的安全能力》主题演讲中指出&#xff0c;业务云化已成为用户实现数字化转型与变革的重要方式&#xff0c;这种跨时代的变迁对用户的安全能力提出了更高的要求&a…

dubbo-go v3 版本 go module 踩坑记

简介&#xff1a; 该问题源于我们想对 dubbo-go 的 module path 做一次变更&#xff0c;使用 dubbo.apache.org/dubbo-go/v3 替换之前的 github.com/apache/dubbo-go。 作者 | 董剑辉、盛傲飞 来源 | 阿里巴巴云原生公众号 ​ 问题背景 ​ 该问题源于我们想对 dubbo-go 的 mo…

python 独热码_Python机器学习之独热编码(一)

在机器学习算法中&#xff0c;常会遇到分类特征是离散的&#xff0c;无序的。例如&#xff1a;性别有男、女&#xff0c;城市有北京&#xff0c;上海&#xff0c;深圳等。性别特征&#xff1a;["男"&#xff0c;"女"] > 0&#xff0c;1地区特征&#xf…

php 怎么解析文本,PHP解析自定义纯文本数据库

我有一个文本文件,存储有关不同项目的信息.该文件是结构化的.文件中的每个项目都由大括号{}分隔,并以逗号开头.每个项目都有其拥有的属性列表,并且属性可以存在或不存在.如果不存在,服务器将假定它们为“默认”.每个条目都用大括号括起来,并以逗号结尾&#xff1a;{},该文件还包…

智能数据构建与管理平台Dataphin的前世今生:缘起

简介&#xff1a; 阿里巴巴提出的OneData方法论帮助企业捋清了数据全生命周期的管理思路&#xff0c;更将其植入到产品Dataphin&#xff08;智能数据构建与管理&#xff09;中&#xff0c;通过阿里云为企业提供服务。 Dataphin 智能数据构建与管理平台 面向各行各业大数据建设、…

缓存和数据库一致性问题,看这篇就够了

作者 | Magic Kaito来源 | 水滴与银弹如何保证缓存和数据库一致性&#xff0c;这是一个老生常谈的话题了。但很多人对这个问题&#xff0c;依旧有很多疑惑&#xff1a;到底是更新缓存还是删缓存&#xff1f;到底选择先更新数据库&#xff0c;再删除缓存&#xff0c;还是先删除缓…

并联串联混合的电压和电流_高考物理常考实验之电流表改装电压表怎么串联电阻...

​高中物理学习问题与王尚老师答疑​电流表改装电压表怎么串联电阻【问&#xff1a;电流表改装电压表怎么串联电阻&#xff1f;】王尚老师&#xff1a;基本理论是欧姆定律&#xff0c;我举个例子来说这个问题吧。如果是0.3A量程的电流表&#xff0c;改装为最大量程15V的电压表&…

走近Quick Audience,了解消费者运营产品的发展和演变

简介&#xff1a; Quick Audience产品是一款云原生面向消费者的营销产品&#xff0c;自诞生以来&#xff0c;经历了三个发展阶段。每个阶段的转变&#xff0c;都与互联网环境和消费者行为的变迁有着极大的关联。 Quick Audience是云原生的面向消费者的营销平台&#xff0c;涵盖…

php图形验证码接口,php生成图形验证码

[php]代码库<?php session_start();// main$vcodes ;//generate Number 4srand((double) microtime() * 1000000);for ($i 0; $i < 4; $i) {$vcodes . rand(1, 9);}$_SESSION[eifr_checkvcode] $vcodes;if (function_exists(imagecreate)) {//generate picture valid…

用python做tkinter_Python下用Tkinter进行GUI编程

Python可用的GUI编程的包很多&#xff0c;Tkinter也是其中一个半标准的工具包。作为一个老牌的Python GUI工具包(皮皮书屋里找了本书&#xff0c;竟然是2001年的),它由Tk GUI包装而来。在Windows版里面已经包括了&#xff0c;不用单独下载。用Tkinter实现一个简单的GUI程序,单击…

边缘应用增长 800%,听听 Akamai 边缘部署的经验

作者 | 宋慧出品 | CSDN云计算&#xff08;ID&#xff1a;CSDNcloud&#xff09;全球权威研究机构都在研究边缘计算的发展进程&#xff0c;并一致认为&#xff0c;企业IT的边缘部署正在加速。其中&#xff0c;IDC研究显示&#xff0c;2023年超过50%的企业新增IT基础设施会部署在…

308 permanent redirect怎么解决_赵县308国道一路口发生一起大货车与电动三轮车碰撞事故,电动三轮车驾驶人受伤。...

原标题&#xff1a;赵县308国道一路口发生一起大货车与电动三轮车碰撞事故&#xff0c;电动三轮车驾驶人受伤。2020年11月4日上午&#xff0c;赵县308国道一路口发生一起大货车与电动三轮车碰撞事故&#xff0c;造成电动三轮车驾驶人受伤。大货车驾驶人驾驶一辆重型货车&#x…

一文带你了解企业上云数据分析首选产品Quick BI

简介&#xff1a; 阿里云Quick BI再度入选&#xff0c;并继续成为该领域唯一入选魔力象限的中国企业&#xff0c;文章将为大家详细介绍上云数据分析首选产品 Quick BI的核心能力。 日前,国际权威分析机构Gartner发布2021年商业智能和分析平台魔力象限报告&#xff0c;阿里云Qu…

如何实现事务原子性?PolarDB原子性深度剖析

简介&#xff1a; 在巍峨的数据库大厦体系中&#xff0c;查询优化器和事务体系是两堵重要的承重墙&#xff0c;二者是如此重要以至于整个数据库体系结构设计中大量的数据结构、机制和特性都是围绕着二者搭建起来的。他们一个负责如何更快的查询到数据&#xff0c;更有效的组织起…

Redis 分布式锁没这么简单,网上大多数都有 bug

作者 | 码哥字节来源 | 码哥字节Redis 分布式锁这个话题似乎烂大街了&#xff0c;不管你是面试还是工作&#xff0c;随处可见&#xff0c;为啥还写&#xff1f;因为看过很多文章没有将分布式锁的各种问题讲明白&#xff0c;所以准备写一篇&#xff0c;也当做自己的学习总结。在…

python多线程同步与互斥_python多线程编程(3): 使用互斥锁同步线程

问题的提出上一节的例子中&#xff0c;每个线程互相独立&#xff0c;相互之间没有任何关系。现在假设这样一个例子&#xff1a;有一个全局的计数num&#xff0c;每个线程获取这个全局的计数&#xff0c;根据num进行一些处理&#xff0c;然后将num加1。很容易写出这样的代码&…

php 商品展示html,HTML5和CSS3实现3D展示商品信息的代码

这篇文章介绍的是关于html5商品展示导购特效是一款3D立体样式的商品信息&#xff0c;非常具有实用价值&#xff0c;需要的朋友可以参考下。强化下perspective和transform:translateZ的用法。传统的商品展示或许并不能很好的吸引用户的注意力&#xff0c;但是如果在展示中添加适…

asp.net程序涉及案例_定制小程序 | 企业在开发小程序前需要满足哪些条件?

目前深圳小程序开发行业发展愈发迅速&#xff0c;小程序开发已成为目前的潮流趋势&#xff0c;制作属于自己的小程序刻不容缓。那么在开发小程序前&#xff0c;企业需要满足什么条件呢&#xff1f;1、注册账号万纵联小编告诉你&#xff0c;要想开发小程序&#xff0c;申请账号是…