【python-opencv】19-Canny边缘检测

Canny 边缘提取的目标是找到一个最优的边缘检测算法，最优边缘检测的含义是：

• 好的检测- 算法能够尽可能多地标识出图像中的实际边缘。
• 好的定位- 标识出的边缘要尽可能与实际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，并且可能存在的图像噪声不应标识为边缘。
  • 算法步骤：
• 

代码运行效果：

源码分析：

import cv2 as cv
import numpy as np


def Canny_edge_demo(image):
    blurred = cv.GaussianBlur(image,(3,3),0)
    gray = cv.cvtColor(blurred,cv.COLOR_BGR2GRAY)
    # x gradient
    xgrad = cv.Sobel(gray,cv.CV_16SC1,1,0)
    # y gradient
    ygrad = cv.Sobel(gray,cv.CV_16SC1,0,1)
    """
    Canny(dx, dy, threshold1, threshold2[, edges[, L2gradient]]) -> edges
    自定义梯度的Canny算法在图像中查找边缘
    """
    edge_output = cv.Canny(xgrad,ygrad,50,150)
    cv.imshow("Canny_edge_xygrad",edge_output)
    """
    Canny(image, threshold1, threshold2[, edges[, apertureSize[, L2gradient]]]) -> edges
    直接调用Canny算法在单通道灰度图像中查找边缘
    """
    dst = cv.Canny(gray,50,150)
    cv.imshow("Canny_edge_demo",dst)

src = cv.imread('smarties.png')
cv.namedWindow('input_image',cv.WINDOW_AUTOSIZE)
cv.imshow('input_image',src)

Canny_edge_demo(src)


cv.waitKey(0)
cv.destroyAllWindows()

 注意：

OpenCV的Canny函数用于在图像中查找边缘，其函数原型有两种：

①直接调用Canny算法在单通道灰度图像中查找边缘，

其函数原型为：Canny(image, threshold1, threshold2[, edges[, apertureSize[, L2gradient]]]) -> edges

image参数表示8位输入图像。

threshold1参数表示设置的低阈值。

threshold2参数表示设置的高阈值，一般设定为低阈值的3倍 (根据Canny算法的推荐)。

edges参数表示输出边缘图像，单通道8位图像。

apertureSize参数表示Sobel算子的大小。

L2gradient参数表示一个布尔值，如果为真，则使用更精确的L2范数进行计算（即两个方向的倒数的平方和再开方），否则使用L1范数（直接将两个方向导数的绝对值相加）。

②使用带自定义图像渐变的Canny算法在图像中查找边缘，

其函数原型为：Canny(dx, dy, threshold1, threshold2[, edges[, L2gradient]]) -> edges

dx参数表示输入图像的x导数（x导数满足16位，选择CV_16SC1或CV_16SC3）

dy参数表示输入图像的y导数（y导数满足16位，选择CV_16SC1或CV_16SC3）。

threshold1参数表示设置的低阈值。

threshold2参数表示设置的高阈值，一般设定为低阈值的3倍 (根据Canny算法的推荐)。

edges参数表示输出边缘图像，单通道8位图像。

L2gradient参数表示L2gradient参数表示一个布尔值，如果为真，则使用更精确的L2范数进行计算（即两个方向的倒数的平方和再开方），否则使用L1范数（直接将两个方向导数的绝对值相加）。

参考：

Canny算子原理：

https://www.cnblogs.com/techyan1990/p/7291771.html

http://www.opencv.org.cn/opencvdoc/2.3.2/html/doc/tutorials/imgproc/imgtrans/canny_detector/canny_detector.html

https://blog.csdn.net/sunny2038/article/details/9202641

https://www.cnblogs.com/FHC1994/p/9133015.html