canny边缘检测

步骤 ：噪声去除，计算图像梯度，非极大值抑制， 滞后阈值 cv2.Canny()可以完成以上几步。 import cv2 import numpy as np from matplotlib import pyplot as plt img = cv2.imread('messi5.jpg',0) edges = cv2.Canny(img,100,200) plt.subplot(121),plt.imshow(img,cmap = 'gray') plt.title('Original Image'), plt.xticks([]), plt.yticks([]) plt.subplot(122),plt.imshow(edges,cmap = 'gray') plt.title('Edge Image'), plt.xticks([]), plt.yticks([]) plt.show() 来源： https://www.cnblogs.com/h694879357/p/12272609.html

Canny边缘检测步骤 步骤1：去噪声 步骤2： 计算梯度的方向和幅度 步骤3：非极大值抑制。 步骤4：确定边缘。使用双阈值算法确定最终的边缘信息 例程 import cv2 o = cv2 . imread ( "20.jpeg" , cv2 . IMREAD_GRAYSCALE ) r1 = cv2 . Canny ( o , 150 , 550 ) r2 = cv2 . Canny ( o , 32 , 100 ) cv2 . imshow ( "original" , o ) cv2 . imshow ( "result1" , r1 ) cv2 . imshow ( "result2" , r2 ) cv2 . waitKey ( ) cv2 . destoryAllWindows ( ) 结果： 来源： CSDN 作者： a_eastern 链接： https://blog.csdn.net/a_eastern/article/details/104193639

实现步骤： （1）高斯模糊 （2）边缘梯度 （3）综合梯度 （4）依据梯度方向做非极大值抑制 （5）使用上下阈值检测边缘 （6）连接边缘 canny.cpp#include "iostream" #include "opencv2/opencv.hpp" #include "imgproc.h" #include "characterproc.h" using namespace cv; using namespace std; int main() { //1,读取图像 String img_path = "/home/whf/PycharmProjects/Tool/data/motion_data/trafficcone_src/10.jpg"; Mat img_src = imread(img_path); Mat img_gray = Mat(img_src.rows,img_src.cols,CV_8UC1,Scalar(0)); //1.1 灰度变换 img_gray = rgb2gray(img_src,"eyeperception"); //2,高斯模糊 Mat img_gauss = gaussproc(img_gray); //3,求梯度 Mat xy_grad = Mat(img_src.rows,img_src.cols,CV_8UC1,Scalar(0)

import cv2 from matplotlib import pyplot as plt import numpy as np img= cv2.imread('39.jpg')#加载图片 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',cv2.WINDOW_NORMAL) cv2.namedWindow('Canny edgeImage',cv2.WINDOW_NORMAL) def nothing(x):#回调函数 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);

一般步骤:(1)滤波(2)增强(3)检测 1 Canny()函数 void Canny(InputArray image,OutputArray edges,double threshold1,double threshold2,int apertureSize=3,bool L2gradient=false) 2 sobel算子 void Sobel(InputArray src,OutputArray dst,int ddepth,int dx,int dy,int ksize=3,double scale=1,double delta=0,int borderType=BORDER_DEFAULT); {{uploading-image-829012.png(uploading...)}} 来源： https://www.cnblogs.com/shuguomeifuguo/p/11992362.html

转载 http://www.cnblogs.com/techyan1990/p/7291771.html 1. 写在前面 最近在做边缘检测方面的一些工作，在网络上也找了很多有用的资料，感谢那些积极分享知识的先辈们，自己在理解Canny边缘检测算法的过程中也走了一些弯路，在编程实现的过程中，也遇到了一个让我怀疑人生的BUG（日了狗狗）。就此写下此文，作为后记，也希望此篇文章可以帮助那些在理解Canny算法的道路上暂入迷途的童鞋。废话少说，上干货。 2. Canny边缘检测算法的发展历史 Canny边缘检测于1986年由JOHN CANNY首次在论文《A Computational Approach to Edge Detection》中提出，就此拉开了Canny边缘检测算法的序幕。 Canny边缘检测是从不同视觉对象中提取有用的结构信息并大大减少要处理的数据量的一种技术，目前已广泛应用于各种计算机视觉系统。Canny发现，在不同视觉系统上对边缘检测的要求较为类似，因此，可以实现一种具有广泛应用意义的边缘检测技术。边缘检测的一般标准包括： 1) 以低的错误率检测边缘，也即意味着需要尽可能准确的捕获图像中尽可能多的边缘。 2) 检测到的边缘应精确定位在真实边缘的中心。 3) 图像中给定的边缘应只被标记一次，并且在可能的情况下，图像的噪声不应产生假的边缘。 为了满足这些要求

#include<opencv.hpp> using namespace cv; int main() { Mat srcImage = imread("C:/Users/齐明洋/Desktop/1.jpg"); Mat grayImage, edge; cvtColor(srcImage, grayImage, COLOR_BGR2GRAY); blur(grayImage, edge, Size(5, 5)); Canny(edge, edge, 3, 9, 3); imshow("原图片", srcImage); imshow("Canny 边缘检测", edge); waitKey(0); } 操作：载入图像，并将其转成灰度图，再用 blur 函数进行图形模糊以降噪，然后用 canny 函数进行边缘检测，最后进行显示。 效果： 来源： https://www.cnblogs.com/bjxqmy/p/11884715.html

Canny边缘检测主要包括： 图像的灰度化； 图像的高斯滤波； 计算出每一个像素点位置的梯度（X方向梯度、Y方向梯度、已经该点的梯度幅值）和方向角度； 局部非极大值抑制处理； 双阈值处理和连接处理； Canny算法思路参考下面的博客： https://blog.csdn.net/dcrmg/article/details/52344902 https://www.cnblogs.com/love6tao/p/5152020.html 我在下面直接给出可以运行的C++代码（Opencv2.4.9） #include <iostream> #include "opencv2/opencv.hpp" using namespace std ; using namespace cv; /* 生成高斯卷积核 kernel */ void Gaussian_kernel( int kernel_size, int sigma, Mat &kernel) { const double PI = 3.1415926 ; int m = kernel_size / 2 ; kernel = Mat(kernel_size, kernel_size, CV_32FC1); float s = 2 * sigma*sigma; for ( int i = 0 ; i < kernel_size; i++

#导入工具包 from imutils import * image = imread('image/school.jpg') show(image) def edge_detection(image,minVal=100,maxVal=200): image = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY) edges = cv2.Canny(image,minVal,maxVal) plt.imshow(edges,'gray') plt.axis('off') plt.show() edge_detection(image) image = imread('image/license_plate.png') show(image) edge_detection(image) image = imread('image/bricks.png') show(image) edge_detection(image) image = imread('image/coins.jpg') show(image) image = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY) image = cv2.GaussianBlur(image, (3,3), 0) Value = [(10,150),(100,200),(180