3种python3的canny边缘检测之静态，可调节和自适应

先看高级版的python3的canny的自适应边缘检测：

成都创新互联坚持“要么做到，要么别承诺”的工作理念，服务领域包括：成都网站设计、网站建设、企业官网、英文网站、手机端网站、网站推广等服务，满足客户于互联网时代的凤庆网站设计、移动媒体设计的需求，帮助企业找到有效的互联网解决方案。努力成为您成熟可靠的网络建设合作伙伴！

内容：

1 canny的边缘检测的介绍。

2 三种方法的canny的边缘检测，由浅入深地介绍：固定值的静态，可自调节的，自适应的。

说明：

1 环境：python3.8、opencv4.5.3和matplotlib3.4.3。

2 图片：来自品阅网正版免费图库。

3 实现自适应阈值的canny边缘检测的参考代码和文章：

上述的代码，本机均有报错，故对代码进行修改，注释和运行。

初级canny：

1 介绍：opencv中给出了canny边缘检测的接口，直接调用：

即可得到边缘检测的结果ret，其中，t1，t2是需要人为设置的阈值。

2 python的opencv的一行代码即可实现边缘检测。

3 Canny函数及使用：

4 Canny边缘检测流程：

去噪 -- 梯度 -- 非极大值抑制 -- 滞后阈值

5 代码：

6 操作和过程：

7 原图：

8 疑问：

ret = cv2.canny(img,t1,t2)，其中，t1，t2是需要人为设置的阈值，一般人怎么知道具体数值是多少，才是最佳的呀？所以，这是它的缺点。

中级canny：

1 中级canny，就是可调节的阈值，找到最佳的canny边缘检测效果。

2 采用cv2.createTrackbar来调节阈值。

3 代码：

4 操作和效果：

5 原图：

高级canny：

1 自适应canny的算法：

ret = cv2.canny(img,t1,t2)

即算法在运行过程中能够自适应地找到较佳的分割阈值t1，t2。

2 文件结构：

3 main.py代码：

4 dog.py代码：

5 bilateralfilt.py代码：

6 原图：

7 效果图：本文第一个gif图，此处省略。

小结：

1 本文由浅入深，总结的很好，适合收藏。

2 对于理解python的opencv的canny的边缘检测，很有帮助。

3 本文高级版canny自适应的算法参考2篇文章，虽然我进行代码的删除，注释，修改，优化等操作，故我不标注原创，对原作者表达敬意。

4 自己总结和整理，分享出来，希望对大家有帮助。

用opencv去噪

使用opencv-python的内置函数，对图片进行降噪处理。

8Fourier变换的应用——图像去噪

给出的图片是RGB图片，也就是需要有三个通道。

下面的函数用来去噪。

img=np.uint8(cv2.fastNlMeansDenoisingColored(img,None,10,10,7,21))

对这个图片进行局部自适应二值化处理：

img=hui(img)

th1 = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,31,5)

另一种局部自适应二值化处理：

th2 = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,31,5)

在第一步连续执行两次去噪，得到的三幅图片是：

执行三次降噪。

连续10次降噪。

怎样用python实现图像去噪

#coding:utf-8

import sys,os

from PIL import Image,ImageDraw

#二值数组

t2val = {}

def twoValue(image,G):

for y in xrange(0,image.size[1]):

for x in xrange(0,image.size[0]):

g = image.getpixel((x,y))

if g  G:

t2val[(x,y)] = 1

else:

t2val[(x,y)] = 0

# 降噪 

# 根据一个点A的RGB值，与周围的8个点的RBG值比较，设定一个值N（0 N 8），当A的RGB值与周围8个点的RGB相等数小于N时，此点为噪点 

# G: Integer 图像二值化阀值 

# N: Integer 降噪率 0 N 8 

# Z: Integer 降噪次数 

# 输出 

#  0：降噪成功 

#  1：降噪失败 

def clearNoise(image,N,Z):

for i in xrange(0,Z):

t2val[(0,0)] = 1

t2val[(image.size[0] - 1,image.size[1] - 1)] = 1

for x in xrange(1,image.size[0] - 1):

for y in xrange(1,image.size[1] - 1):

nearDots = 0

L = t2val[(x,y)]

if L == t2val[(x - 1,y - 1)]:

nearDots += 1

if L == t2val[(x - 1,y)]:

nearDots += 1

if L == t2val[(x- 1,y + 1)]:

nearDots += 1

if L == t2val[(x,y - 1)]:

nearDots += 1

if L == t2val[(x,y + 1)]:

nearDots += 1

if L == t2val[(x + 1,y - 1)]:

nearDots += 1

if L == t2val[(x + 1,y)]:

nearDots += 1

if L == t2val[(x + 1,y + 1)]:

nearDots += 1

if nearDots  N:

t2val[(x,y)] = 1

def saveImage(filename,size):

image = Image.new("1",size)

draw = ImageDraw.Draw(image)

for x in xrange(0,size[0]):

for y in xrange(0,size[1]):

draw.point((x,y),t2val[(x,y)])

image.save(filename)

image = Image.open("d:/1.jpg").convert("L")

twoValue(image,100)

clearNoise(image,4,1)

saveImage("d:/5.jpg",image.size)

当前文章：python去噪函数,python 降噪
本文链接：http://pwwzsj.com/article/dsgjdig.html