1. Canny 边缘检测算法

Canny 算法是一种经典的图像边缘检测算法，在 Windows 中也可以使用该算法来提取图片的边缘特征。Canny 算法通过多步骤的处理来筛选出图像中的边缘信息，包括高斯模糊、计算梯度、非最大值抑制和双阈值处理等，最终得到图像中的边缘特征。


import cv2

def canny_edge_detection(image):
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)  # 将图像转为灰度图像
    blurred = cv2.GaussianBlur(gray, (3, 3), 0)  # 高斯模糊，去除噪声
    edges = cv2.Canny(blurred, 30, 150)  # Canny边缘检测
    return edges

image = cv2.imread('image.jpg')
edges = canny_edge_detection(image)
cv2.imshow('Edges', edges)
cv2.waitKey(0)
cv2.destroyAllWindows()
Python

2. Sobel 算子

Sobel 算子是一种线性滤波器，常用于图像边缘检测。它分别计算图像的水平和垂直方向上的一阶导数，然后组合成梯度幅值图像，得到图像中的边缘特征。在 Windows 中，可以使用 cv2.Sobel 函数来应用 Sobel 算子进行图像边缘检测。


import cv2
import numpy as np

def sobel_edge_detection(image):
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)  # 将图像转为灰度图像
    grad_x = cv2.Sobel(gray, cv2.CV_16S, 1, 0, ksize=3)  # 计算x方向梯度
    grad_y = cv2.Sobel(gray, cv2.CV_16S, 0, 1, ksize=3)  # 计算y方向梯度
    abs_grad_x = cv2.convertScaleAbs(grad_x)  # 取绝对值
    abs_grad_y = cv2.convertScaleAbs(grad_y)
    edges = cv2.addWeighted(abs_grad_x, 0.5, abs_grad_y, 0.5, 0)  # 组合成梯度幅值图像
    return edges

image = cv2.imread('image.jpg')
edges = sobel_edge_detection(image)
cv2.imshow('Edges', edges)
cv2.waitKey(0)
cv2.destroyAllWindows()
Python

3. Laplacian 算子

Laplacian 算子也是一种常用的图像边缘检测算子，在 Windows 中可以使用 cv2.Laplacian 函数来应用 Laplacian 算子进行边缘检测。Laplacian 算子对图像进行二阶导数计算，得到边缘特征的梯度幅值，能够提取出更丰富的边缘特征。


import cv2

def laplacian_edge_detection(image):
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)  # 将图像转为灰度图像
    edges = cv2.Laplacian(gray, cv2.CV_16S, ksize=3)  # 拉普拉斯算子边缘检测
    edges = cv2.convertScaleAbs(edges)
    return edges

image = cv2.imread('image.jpg')
edges = laplacian_edge_detection(image)
cv2.imshow('Edges', edges)
cv2.waitKey(0)
cv2.destroyAllWindows()
Python

以上是 Windows 中能够提取出图片边缘特征的三种网络算法，分别是 Canny 边缘检测算法、Sobel 算子和 Laplacian 算子。这些算法可以帮助我们从图像中提取出边缘特征，进而用于图像处理、目标检测、图像分割等领域。在使用这些算法时，我们可以通过调整参数和组合不同的算法来适应不同的应用场景，提取出更准确、清晰的边缘特征。
本文由轻山版权所有，禁止未经同意的情况下转发