9.python-opencv边缘检测

第一章 python-opencv-图片导入和显示
第二章 python-opencv图像简单处理
第三章 python-opencv图像mask掩膜处理
第四章 python-opencv图像马赛克
第五章 python-opencv人脸马赛克
第六章 python-opencv人脸检测
第七章 python-opencv图像张贴
第八章 python-opencv轮廓绘制

文章目录

9.python-opencv边缘检测
前言
一、完整代码
二、部分代码说明
- 1.高斯模糊处理
- 2.轮廓检测
结果展示

前言

本章主要说明如何使用python-opencv题图图片中图案的边缘。

一、完整代码

import cv2if __name__ == '__main__':# 加载图片img = cv2.imread('./tong.jpg')# 将图片转化为灰度图像gray = cv2.cvtColor(img, code = cv2.COLOR_BGR2GRAY)# 将灰度图像进行高斯模糊gray1 = cv2.GaussianBlur(gray, (5,5),0)  #高斯模糊# 进行轮廓的检测canny = cv2.Canny(gray1, 100, 200)cv2.imshow('dog', canny)cv2.waitKey(0)cv2.destroyAllWindows()

二、部分代码说明

1.高斯模糊处理

在进行轮廓检测前进行高斯模糊处理是为了去除噪声。

opencv中的高斯模糊函数定义如下：

GaussianBlur(src, ksize, sigmaX, dst=None, sigmaY=None, borderType=None)

各参数解释：

该函数将源图像与指定的高斯核进行卷积。
. src 输入图像；图像可以有任意数量的通道，这些通道被处理
. dst 输出与 src 大小和类型相同的图像。
. ksize 高斯内核大小。 ksize.width 和 ksize.height 可以不同，但它们都必须是正数和奇数。或者，它们可以是零，然后根据 sigma 计算它们。
. sigmaX X 方向的高斯核标准差。
. sigmaY Y 方向的高斯核标准差；如果 sigmaY 为零，则设置为等于 sigmaX，如果两个 sigma 均为零，则根据 ksize.width 和 ksize.height 计算，
. borderType 像素外推法

本文中的使用方法：

gray1 = cv2.GaussianBlur(gray, (5,5),0)

将灰度图像gray使用5x5的高斯核进行处理，高斯核尺寸越大去噪效果越好，但是图像会越模糊，X 方向的高斯核标准差设置为0。

高斯模糊效果如下，左侧为原始图片，右侧为高斯模糊处理后的图片：
在这里插入图片描述

2.轮廓检测

轮廓建材使用canny函数，定义如下：

Canny(image, threshold1, threshold2, edges=None, apertureSize=None, L2gradient=None)

各参数解释：

Canny（图像，threshold1，threshold2[，edges[，apertureSize[，L2gradient]]]）->边缘
.
.该函数在输入图像中查找边缘，并使用 Canny 算法在输出地图边缘中标记它们。 threshold1 和 threshold2 之间的最小值用于边缘链接。最大值用于查找强边缘的初始段。
. image 8 位输入图像。
. edges 输出边缘图；单通道 8 位图像，其大小与 image 相同。
. threshold1 滞后过程的第一个阈值。
. threshold2 滞后过程的第二个阈值。
. apertureSize Sobel 算子的孔径大小。

在本文的使用方法：