python canny边缘检测算法_Python 实现 Canny 边缘检测算法-Python

编辑推荐:

本文主要介绍了一套边缘检测的理论，分阶段的解释如何实现边缘检测，希望对您的学习有所帮助。

本文来自于简书，由火龙果软件Alice编辑，推荐。

Canny 边缘检测算法由计算机科学家 John F. Canny

于 1986 年提出的。其不仅提供了算法，还带来了一套边缘检测的理论，分阶段的解释如何实现边缘检测。Canny

检测算法包含下面几个阶段：

1.灰度化

2.高斯模糊

3.计算图片梯度幅值

4.非极大值抑制

5.双阈值选取

灰度化

灰度化实际上是一种降维的操作，可以减少计算。如果算法不进行色彩相关的识别的话，不灰度化，也可以直接进行后面的阶段。

# 灰度化

def gray(self, img_path):

"""

计算公式：

Gray(i,j) = [R(i,j) + G(i,j) + B(i,j)] / 3

or :

Gray(i,j) = 0.299 * R(i,j) + 0.587 * G(i,j) +

0.114 * B(i,j)

"""

# 读取图片

img = plt.imread(img_path)

# BGR 转换成 RGB 格式

img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

# 灰度化

img_gray = np.dot(img_rgb[...,:3], [0.299, 0.587,

0.114])

return img_gray

高斯模糊

在实际的图片中，都会包含噪声。但有时候，图片中的噪声会导致图片中边缘信息的消失。对此的解决方案就是使用高斯平滑来减少噪声，即进行高斯模糊操作。该操作是一种滤波操作，与高斯分布有关，下面是一个二维的高斯函数，其中

(x, y) 为坐标，σ 为标准差：

进行高斯滤波之前，需要先得到一个高斯滤波器(kernel)。如何得到一个高斯滤波器？其实就是将高斯函数离散化，将滤波器中对应的横纵坐标索引代入高斯函数，即可得到对应的值。不同尺寸的滤波器，得到的值也不同，下面是

(2k+1)x(2k+1) 滤波器的计算公式 :

常用尺寸为 5x5，σ=1.4 的高斯滤波器。下面是 5x5 高斯滤波器的实现代码：

# 去除噪音 - 使用 5x5

的高斯滤波器

def smooth(self, img_gray):

# 生成高斯滤波器

"""

要生成一个 (2k+1)x(2k+1) 的高斯滤波器，滤波器的各个元素计算公式如下：

H[i, j] = (1/(2*pi*sigma**2))*exp(-1/2*sigma**2((i-k-1)**2

+ (j-k-1)**2))

"""

sigma1 = sigma2 = 1.4

gau_sum = 0

gaussian