Python实现Canny算子

Canny算子

Canny算子是提取图像边缘的经典算法，在之前的基础学习过程中写过关于canny的python代码，最近的项目中需要用到才发现当初学的有所缺陷。

Canny算子的基本步骤：

使用高斯滤波器对图像进行处理，消除噪点对边缘提取的影响
使用两个对称核（sobel）计算出图像的梯度和梯度方向
将梯度方向归纳为0,45,90,135四个梯度方向（之前实现的，有缺陷）
对边缘强度进行非极大值抑制，比较四个梯度方向上三个像素梯度的大小，如果最大值不是中间梯度，则抑制为0
使用滞后阈值对图像进行二值化处理，介于高低阈值之间的值，使用8领域判断法（如果8领域有一个大于高阈值，则设置为255）

具体实现代码如下：

在之前的复现中犯了一个明显的错误，将梯度方向做了处理（四个方向），最好的处理方-处理成4个区间（0-45,45-90,09-135,135-180）用插值的方式进行梯度比较，插值的大小根据角度不同取权重乘以两个相邻像素。参考：Python实现Canny算子边缘检测 | Z Blog (yueyue200830.github.io)

此代码来源于（自己实现的有瑕疵就不记录了）：(145条消息) Canny边缘检测算法(python 实现）_Master_miao的博客-CSDN博客_canny python

import numpy as np
import cv2 as cv
from matplotlib import pyplot as pltdef smooth(image, sigma = 1.4, length = 5):""" Smooth the imageCompute a gaussian filter with sigma = sigma and kernal_length = length.Each element in the kernal can be computed as below:G[i, j] = (1/(2*pi*sigma**2))*exp(-((i-k-1)**2 + (j-k-1)**2)/2*sigma**2)Then, use the gaussian filter to smooth the input image.Args:image: array of grey imagesigma: the sigma of gaussian filter, default to be 1.4length: the kernal length, default to be 5Returns:the smoothed image"""# Compute gaussian filterk = length // 2gaussian = np.zeros([length, length])for i in range(length):for j in range(length):gaussian[i, j] = np.exp(-((i-k) ** 2 + (j-k) ** 2) / (2 * sigma ** 2))gaussian /= 2 * np.pi * sigma ** 2# Batch Normalizationgaussian = gaussian / np.sum(gaussian)# Use Gaussian FilterW, H = image.shapenew_image = np.zeros([W - k * 2, H - k * 2])for i in range(W - 2 * k):for j in range(H - 2 * k):# 卷积运算new_image[i, j] = np.sum(image[i:i+length, j:j+length] * gaussian)new_image = np.uint8(new_image)return new_imagedef get_gradient_and_direction(image):""" Compute gradients and its directionUse Sobel filter to compute gradients and direction.-1 0 1        -1 -2 -1Gx = -2 0 2   Gy =  0  0  0-1 0 1         1  2  1Args:image: array of grey imageReturns:gradients: the gradients of each pixeldirection: the direction of the gradients of each pixel"""Gx = np.array([[-1, 0, 1], [-2, 0, 2], [-1, 0, 1]])Gy = np.array([[-1, -2, -1], [0, 0, 0], [1, 2, 1]])W, H = image.shapegradients = np.zeros([W - 2, H - 2])direction = np.zeros([W - 2, H - 2])for i in range(W - 2):for j in range(H - 2):dx = np.sum(image[i:i+3, j:j+3] * Gx)dy = np.sum(image[i:i+3, j:j+3] * Gy)gradients[i, j] = np.sqrt(dx ** 2 + dy ** 2)if dx == 0:direction[i, j] = np.pi / 2else:direction[i, j] = np.arctan(dy / dx)gradients = np.uint8(gradients)return gradients, directiondef NMS(gradients, direction):""" Non-maxima suppressionArgs:gradients: the gradients of each pixeldirection: the direction of the gradients of each pixelReturns:the output image"""W, H = gradients.shapenms = np.copy(gradients[1:-1, 1:-1])for i in range(1, W - 1):for j in range(1, H - 1):theta = direction[i, j]weight = np.tan(theta)if theta > np.pi / 4:d1 = [0, 1]d2 = [1, 1]weight = 1 / weightelif theta >= 0:d1 = [1, 0]d2 = [1, 1]elif theta >= - np.pi / 4:d1 = [1, 0]d2 = [1, -1]weight *= -1else:d1 = [0, -1]d2 = [1, -1]weight = -1 / weightg1 = gradients[i + d1[0], j + d1[1]]g2 = gradients[i + d2[0], j + d2[1]]g3 = gradients[i - d1[0], j - d1[1]]g4 = gradients[i - d2[0], j - d2[1]]grade_count1 = g1 * weight + g2 * (1 - weight)grade_count2 = g3 * weight + g4 * (1 - weight)if grade_count1 > gradients[i, j] or grade_count2 > gradients[i, j]:nms[i - 1, j - 1] = 0return nmsdef double_threshold(nms, threshold1, threshold2):""" Double ThresholdUse two thresholds to compute the edge.Args:nms: the input imagethreshold1: the low thresholdthreshold2: the high thresholdReturns:The binary image."""visited = np.zeros_like(nms)output_image = nms.copy()W, H = output_image.shapedef dfs(i, j):if i >= W or i < 0 or j >= H or j < 0 or visited[i, j] == 1:returnvisited[i, j] = 1if output_image[i, j] > threshold1:output_image[i, j] = 255dfs(i-1, j-1)dfs(i-1, j)dfs(i-1, j+1)dfs(i, j-1)dfs(i, j+1)dfs(i+1, j-1)dfs(i+1, j)dfs(i+1, j+1)else:output_image[i, j] = 0for w in range(W):for h in range(H):if visited[w, h] == 1:continueif output_image[w, h] >= threshold2:dfs(w, h)elif output_image[w, h] <= threshold1:output_image[w, h] = 0visited[w, h] = 1for w in range(W):for h in range(H):if visited[w, h] == 0:output_image[w, h] = 0return output_imageif __name__ == "__main__":# code to read imageimage = cv.imread('test.jpg',0)cv.imshow("Original",image)smoothed_image = smooth(image)cv.imshow("GaussinSmooth(5*5)",smoothed_image)gradients, direction = get_gradient_and_direction(smoothed_image)# print(gradients)# print(direction)nms = NMS(gradients, direction)output_image = double_threshold(nms, 40, 100)cv.imshow("outputImage",output_image)cv.waitKey(0)

Python实现Canny算子相关推荐

图像处理：python实现canny算子
一.Canny边缘提取步骤文中用python实现canny算子,Canny算子的步骤为: 1)图像灰度预处理 2)对每个像素求梯度 3)求每个点处最大梯度的编码 4)非极大值抑制,保证梯度编码的唯一 ...
【图像处理】——Python图像分割边缘检测算法之一阶梯度算子（Roberts、Prewitt、Sobel、 Kirsch、Canny算子）
目录前言一.边缘检测算法 1.一阶算子 2.二阶算子二.一阶算子原图像lena 1.Roberts算子不同方向的算子模板梯度的计算系统代码: 自定义函数代码结果 2.Prewitt 不 ...
canny算子的python实现以及pytorch实现
canny算子的python实现以及pytorch实现 canny的python实现 canny的pytorch实现 canny的python实现参考Canny边缘检测算法(python 实现) i ...
Canny算子的Python实现
1.引言 Canny算子是一种较为好用的边缘检测算子,边缘检测效果良好.利用Python实现,原速度约为5分钟以上,不能够满足使用需要. 本文利用Python实现,并注意使用numba支持的数据类型及 ...
python的opencv操作记录12——Canny算子使用
文章目录 Canny算子非极大值抑制非极大值抑制中的插值滞后阈值实际应用直接使用Canny算子使用膨胀先阈值分割 Canny算子上一篇说到,我在一个小项目里需要在一幅图像中提取一根试管 ...
python canny算子_Python - OpenCV 之Canny算子边缘提取
#!--*-- coding=utf-8 --*-- import cv2 import os import argparse ''' 基于OpenCV Canny 算子的提取图像边缘 ''' # d ...
OpenCV（十七）边缘检测3 -- Canny算子（最优边缘检测）
目录一.基础理论 1.作用及介绍 1.原理 2.过程 3.Canny函数二.回调函数及总代码效果参考资料一.基础理论 1.作用及介绍 Canny边缘检测是非常流行的边缘检测算 ...
计算机视觉中Canny算子详解
文章目录前言一.Canny的实现步骤二.具体实现 1.高斯平滑滤波 2.计算梯度大小和方向 3.非极大抑制 4.双阈值(Double Thresholding)和滞后边界跟踪总结前言 Can ...
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 ...

Python实现Canny算子

Python实现Canny算子相关推荐

最新文章

热门文章