Canny
参考视频：canny边缘检测算法视频讲解
步骤
原图
1.RGB图片转灰度图片
代码
im = Image.open("nms.jpg")
im_gray = im.convert('L') #rgb转灰度图结果
2.求梯度(sobel算子)
代码
grad = [[[0, 0] for i in range(im.size[0])] for j in range(im.size[1])] #170 * 200 * 2 每个像素点的梯度大小和方向
for j in range(1, im.size[1] - 1):
for i in range(1, im.size[0] - 1):
#x方向梯度
grad_x = im_list[j + 1][i + 1] + im_list[j - 1][i + 1] + 2 * im_list[j][i + 1] - \
im_list[j - 1][i - 1] - im_list[j + 1][i - 1] - 2 * im_list[j][i - 1]
#y方向梯度
grad_y = im_list[j + 1][i - 1] + im_list[j + 1][i + 1] + 2 * im_list[j + 1][i] - \
im_list[j - 1][i - 1] - im_list[j - 1][i + 1] - 2 * im_list[j - 1][i]
grad_x = math.floor(grad_x / 4)
grad_y = math.floor(grad_y / 4)
#合梯度
grad[j][i][0] = math.floor(math.sqrt(grad_x * grad_x + grad_y * grad_y))
if(grad[j][i][0] > 255):
grad[j][i][0] = 255
# if(grad[j][i][0] < 50):
# grad[j][i][0] = 0
#梯度方向
if(grad_x == 0):
grad[j][i][1] = 2 #y方向
else:
theta = math.atan2(grad_y, grad_x)
if(math.fabs(theta) < math.pi / 8):
grad[j][i][1] = 0 #x方向
elif(theta > 0):
if(math.fabs(theta) <math.pi * 3 / 8):
grad[j][i][1] = 1 #45度方向
else:
grad[j][i][1] = 2#y方向
else:
if (math.fabs(theta) < math.pi * 3 / 8):
grad[j][i][1] = 3 # 135度方向
else:
grad[j][i][1] = 2 # y方向结果
3.非极大值抑制（使边缘更清晰）
代码
img2 = img
for j in range(1, im.size[1] - 1):
for i in range(1, im.size[0] - 1):
dir = grad[j][i][1]
grad_now = grad[j][i][0]
if (dir == 0): #梯度方向为x
if(grad_now < grad[j][i + 1][0] or grad_now < grad[j][i - 1][0]):
# grad[j][i][0] == 0
img2[j][i] = 0
elif(dir == 1):#45度方向
if(grad_now < grad[j + 1][i + 1][0] or grad_now < grad[j - 1][i - 1][0]):
# grad[j][i][0] == 0
img2[j][i] = 0
elif(dir == 2): #y方向
if(grad_now < grad[j + 1][i][0] or grad_now < grad[j - 1][i][0]):
# grad[j][i][0] == 0
img2[j][i] = 0
else: #145度
if(grad_now < grad[j + 1][i - 1][0] or grad_now < grad[j - 1][i + 1][0]):
# grad[j][i][0] == 0
img2[j][i] = 0结果
4.双阈值(消去噪点，强化边缘)
代码
low = 30
high = 60
for i in range(im.size[1]):
for j in range(im.size[0]):
if(img2[i][j] < low):
img2[i][j] = 0
elif(img2[i][j] > high):
img2[i][j] = 255结果
5.抑制孤立弱边缘
代码
listx = [-1, 0, 1]
listy = [-1, 0, 1]
img3 = img2
for j in range(1, im.size[1] - 1):
for i in range(1, im.size[0] - 1):
flag = 1
for dx in range(len(listx)):
for dy in range(len(listy)):
j = j + listy[dy]
i = i + listx[dx]
if(img2[j][i] == 255):
flag = 0
break
if(not flag):
break
if(flag):
img3[j][i] = 0结果
完整代码
from PIL import Image
from matplotlib import pyplot as plt
import math
from PIL import ImageFilter
im = Image.open("pic.jpg")
im_gray = im.convert('L') #rgb转灰度图
# im_gray.show() #显示灰度图
# im_gray = im_gray.filter(ImageFilter.SMOOTH)
#Image转为list类型
im_array = im_gray.load()
im_list = [[0 for i in range(im.size[0])] for j in range(im.size[1])]
for i in range(im.size[1]):
for j in range(im.size[0]):
im_list[i][j] = im_array[j, i]
plt.figure(1)
plt.imshow(im_list, cmap='gray')
# plt.show()
#求梯度 （梯度模值和方向）
#方向： 0：0度(x) 1: 45度 2： 90度（y） 3: 135度
grad = [[[0, 0] for i in range(im.size[0])] for j in range(im.size[1])] #170 * 200 * 2 每个像素点的梯度大小和方向
for j in range(1, im.size[1] - 1):
for i in range(1, im.size[0] - 1):
#x方向梯度
grad_x = im_list[j + 1][i + 1] + im_list[j - 1][i + 1] + 2 * im_list[j][i + 1] - \
im_list[j - 1][i - 1] - im_list[j + 1][i - 1] - 2 * im_list[j][i - 1]
#y方向梯度
grad_y = im_list[j + 1][i - 1] + im_list[j + 1][i + 1] + 2 * im_list[j + 1][i] - \
im_list[j - 1][i - 1] - im_list[j - 1][i + 1] - 2 * im_list[j - 1][i]
grad_x = math.floor(grad_x / 4)
grad_y = math.floor(grad_y / 4)
#合梯度
grad[j][i][0] = math.floor(math.sqrt(grad_x * grad_x + grad_y * grad_y))
if(grad[j][i][0] > 255):
grad[j][i][0] = 255
# if(grad[j][i][0] < 50):
# grad[j][i][0] = 0
#梯度方向
if(grad_x == 0):
grad[j][i][1] = 2 #y方向
else:
theta = math.atan2(grad_y, grad_x)
if(math.fabs(theta) < math.pi / 8):
grad[j][i][1] = 0 #x方向
elif(theta > 0):
if(math.fabs(theta) <math.pi * 3 / 8):
grad[j][i][1] = 1 #45度方向
else:
grad[j][i][1] = 2#y方向
else:
if (math.fabs(theta) < math.pi * 3 / 8):
grad[j][i][1] = 3 # 135度方向
else:
grad[j][i][1] = 2 # y方向
#显示梯度图
img = [[0 for i in range(im.size[0])] for j in range(im.size[1])]
for i in range(im.size[1]):
for j in range(im.size[0]):
img[i][j] = grad[i][j][0]
plt.figure(2)
plt.imshow(img, cmap='gray')
# plt.show()
#非极大值抑制,使边缘更清晰和细
img2 = img
for j in range(1, im.size[1] - 1):
for i in range(1, im.size[0] - 1):
dir = grad[j][i][1]
grad_now = grad[j][i][0]
if (dir == 0): #梯度方向为x
if(grad_now < grad[j][i + 1][0] or grad_now < grad[j][i - 1][0]):
# grad[j][i][0] == 0
img2[j][i] = 0
print('0')
elif(dir == 1):#45度方向
if(grad_now < grad[j + 1][i + 1][0] or grad_now < grad[j - 1][i - 1][0]):
# grad[j][i][0] == 0
img2[j][i] = 0
print('1')
elif(dir == 2): #y方向
if(grad_now < grad[j + 1][i][0] or grad_now < grad[j - 1][i][0]):
# grad[j][i][0] == 0
img2[j][i] = 0
print('2')
else: #145度
if(grad_now < grad[j + 1][i - 1][0] or grad_now < grad[j - 1][i + 1][0]):
# grad[j][i][0] == 0
img2[j][i] = 0
print('3')
#显示非极大值抑制后的图像
plt.figure(3)
plt.imshow(img2, cmap='gray')
# plt.show()
#双阈值检测
low = 30
high = 60
for i in range(im.size[1]):
for j in range(im.size[0]):
if(img2[i][j] < low):
img2[i][j] = 0
elif(img2[i][j] > high):
img2[i][j] = 255
#双阈值检测后的图像
plt.figure(4)
plt.imshow(img2, cmap='gray')
# plt.show()
#抑制孤立的弱边缘
listx = [-1, 0, 1]
listy = [-1, 0, 1]
img3 = img2
for j in range(1, im.size[1] - 1):
for i in range(1, im.size[0] - 1):
flag = 1
for dx in range(len(listx)):
for dy in range(len(listy)):
j = j + listy[dy]
i = i + listx[dx]
if(img2[j][i] == 255):
flag = 0
break
if(not flag):
break
if(flag):
img3[j][i] = 0
#抑制孤立的弱边缘后的图像
# print('ssssssss')
plt.figure(5)
plt.imshow(img3, cmap='gray')
plt.show() 原图