Python+OpenCv实现图像边缘检测（滑动调节阈值）

Python+OpenCv实现图像边缘检测（滑动调节阈值）

Python+OpenCv实现图像边缘检测（滑动调节阈值）

一、前言二、导入模块三、核心代码

1.图像预处理2.滑动调参3.边缘检测4.图像保存5.主函数 四、运行结果五、完整代码六、程序打包

一、前言

闲来无事，帮阿婆主室友处理图像。花了一天时间研究cv2中的几个函数，参考其他博主的优秀代码，在此基础上杂糅丰富，制作了一个图像边缘检测程序，通过滑动条实时调节阈值和其他参数，并能选择是否保存图像。最后通过pyinstaller将程序打包成.exe文件发送给室友使用。
（第一次学习图像处理和第一次撰写文章，如有错误，欢迎指正）

二、导入模块

使用 cv2 模块（opencv-python）
在终端中输入指令：pip install opencv-python 安装 cv2
安装成功后导入 cv2

import cv2

三、核心代码 1.图像预处理

输入三个参数，当标志位为1时表示使用该方法处理图像
默认采用 高斯滤波+直方图均衡化 的方法

def image_processing(img, Gauss_flag=1, Color_flag=1, Gray_flag=0):  # 图像预处理
    # 高斯滤波器平滑图像
    if Gauss_flag == 1:
        img = cv2.GaussianBlur(img, (3, 3), 0)
    # 均衡彩色图像的直方图
    if Color_flag == 1:
        img = cv2.cvtColor(img, cv2.COLOR_BGR2YUV)
    # 将彩色图像转为灰度图像，均衡灰度图像的直方图
    if Gray_flag == 1:
        img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  
        img = cv2.equalizeHist(img)

    return img

2.滑动调参

创建滑动条，分别控制cv2.Canny函数中的各个参数
Canny(image, threshold1, threshold2, edges=None, apertureSize=None, L2gradient=None)

cv2.createTrackbar('threshold1', 'Canny', 50, 300, nothing)  # 阈值1
cv2.createTrackbar('threshold2', 'Canny', 100, 300, nothing)  # 较大的阈值2用于检测图像中明显的边缘
cv2.createTrackbar('apertureSize', 'Canny', 0, 2, nothing)  # Sobel算子大小（3,5,7）
cv2.createTrackbar('L2gradient', 'Canny', 0, 1, nothing)  # 参数(布尔值)：true：使用更精确的L2范数（两个方向的倒数的平方和再开放),false：使用L1范数（直接将两个方向导数的绝对值相加）

实时读取并返回滑动条所在位置的值

threshold1 = cv2.getTrackbarPos('threshold1', 'Canny')  # 阈值1
threshold2 = cv2.getTrackbarPos('threshold2', 'Canny')  # 阈值2
L2gradient = cv2.getTrackbarPos('L2gradient', 'Canny')  # 参数
aperturesize = cv2.getTrackbarPos('apertureSize', 'Canny')  # Sobel算子大小
size = aperturesize * 2 + 3  # Sobel算子大小（3,5,7）

3.边缘检测

使用cv2中的Canny函数进行边缘检测，并通过窗口显示图像

# Canny边缘检测
img_edges = cv2.Canny(img, threshold1, threshold2, apertureSize=size, L2gradient=L2gradient)
# 显示边缘化图像
cv2.imshow('Canny', img_edges)

4.图像保存

检测按键，按q退出，不保存图像；按s退出，保存图像。
（保存的图像路径与原图像相同，名命为output.jpg）

if cv2.waitKey(1) == ord('q'):  # 退出
	break
elif cv2.waitKey(1) == ord('s'):  # 保存图像
	cv2.imwrite('\'.join(img_path.split('\')[:-1]) + '\output.jpg', img_edges)
	print("图像成功保存")
	break

5.主函数

输入图像地址和图像预处理函数的三个参数。
先对图像进行预处理，然后进行边缘检测。

if __name__ == "__main__":
    img_path = input("请输入图片地址(如E:\Code\xx.jpg)：")  
    guass_flag = int(input("是否进行高斯滤波(输入1进行，输入0不进行)："))  
    color_flag = int(input("是否均衡彩色图像(输入1进行，输入0不进行)："))  
    gray_flag = int(input("是否均衡灰度图像(输入1进行，输入0不进行)："))  
    # 载入图像
    image = cv2.imread(img_path)
    # 图像预处理
    img = image_processing(image, Gauss_flag=guass_flag, Color_flag=color_flag, Gray_flag=gray_flag)
    # 显示原图像
    cv2.imshow('Original', image)
    # 显示预处理后图像
    cv2.imshow('Pretreatment', img)
    # 图像边缘检测
    image_canny(img)

四、运行结果

原图像：
预处理后图像：

图像边缘检测：
保存后图像：

五、完整代码

import cv2


def nothing():  # 定义回调函数
    pass


def image_processing(img, Gauss_flag=1, Color_flag=1, Gray_flag=0):  # 图像预处理
    # 高斯滤波器平滑图像
    if Gauss_flag == 1:
        img = cv2.GaussianBlur(img, (3, 3), 0)
    # 均衡彩色图像的直方图
    if Color_flag == 1:
        img = cv2.cvtColor(img, cv2.COLOR_BGR2YUV)
    # 均衡灰度图像的直方图
    if Gray_flag == 1:
        img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  # 将彩色图像转为灰度图像
        img = cv2.equalizeHist(img)

    return img


def image_canny(img):  # 图像边缘检测

    # 设置窗口
    cv2.namedWindow('Canny')

    # 创建滑动条，分别控制各个参数
    cv2.createTrackbar('threshold1', 'Canny', 50, 300, nothing)  # 阈值1
    cv2.createTrackbar('threshold2', 'Canny', 100, 300, nothing)  # 较大的阈值2用于检测图像中明显的边缘
    # cv2.createTrackbar('apertureSize', 'Canny', 0, 2, nothing)  # Sobel算子大小（3,5,7）
    cv2.createTrackbar('L2gradient', 'Canny', 0, 1,
                       nothing)  # 参数(布尔值)：true：使用更精确的L2范数（两个方向的倒数的平方和再开放),false：使用L1范数（直接将两个方向导数的绝对值相加）

    while (1):
        # 返回滑动条所在位置的值
        threshold1 = cv2.getTrackbarPos('threshold1', 'Canny')  # 阈值1
        threshold2 = cv2.getTrackbarPos('threshold2', 'Canny')  # 阈值2
        L2gradient = cv2.getTrackbarPos('L2gradient', 'Canny')  # 参数
        # aperturesize = cv2.getTrackbarPos('apertureSize', 'Canny')  # Sobel算子大小
        # size = aperturesize * 2 + 3  # Sobel算子大小（3,5,7）

        # Canny边缘检测
        img_edges = cv2.Canny(img, threshold1, threshold2, L2gradient=L2gradient)

        # 显示边缘化图像
        cv2.imshow('Canny', img_edges)

        if cv2.waitKey(1) == ord('q'):  # 按q退出
            break
        elif cv2.waitKey(1) == ord('s'):  # 按s保存图像到原图像所在目录，命名为output.jpg，再退出![请添加图片描述](https://img-blog.csdnimg.cn/28c23587576b4e50a8f9f1522fd67c1e.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBA5Zu-5Y2XX1RyZW4=,size_15,color_FFFFFF,t_70,g_se,x_16)

            cv2.imwrite('\'.join(img_path.split('\')[:-1]) + '\output.jpg', img_edges)
            print("图像成功保存")
            break

    cv2.destroyAllWindows()


if __name__ == "__main__":
    img_path = input("请输入图片地址(如E:\Code\xx.jpg)：")  # 输入原图像地址
    guass_flag = int(input("是否进行高斯滤波(输入1进行，输入0不进行)："))  # 输入1为进行高斯滤波，输入0为不进行
    color_flag = int(input("是否均衡彩色图像(输入1进行，输入0不进行)："))  # 输入1为进行彩色图像均衡，输入0为不进行
    gray_flag = int(input("是否均衡灰度图像(输入1进行，输入0不进行)："))  # 输入1为进行灰度图像均衡，输入0为不进行
    # 载入图像
    image = cv2.imread(img_path)
    # 图像预处理
    img = image_processing(image, Gauss_flag=guass_flag, Color_flag=color_flag, Gray_flag=gray_flag)
    # 显示原图像
    cv2.imshow('Original', image)
    # 显示预处理后图像
    cv2.imshow('Pretreatment', img)
    # 图像边缘检测
    image_canny(img)

六、程序打包

在终端中输入指令：pip install pyinstaller 安装 pyinstaller
安装成功后输入指令：pyinstaller -F canny.py 进行文件打包