Canny算子_百度百科 (baidu.com)
https://baike.baidu.com/item/Canny%E7%AE%97%E5%AD%90/8821789?fr=ge_ala
圖像處理中最經典的邊沿檢測算法： Canny邊緣檢測_嗶哩嗶哩_bilibilihttps://www.bilibili.com/video/BV1U4411277i/?spm_id_from=333.1007.top_right_bar_window_history.content.click&vd_source=7c3bfbf39d037fe80c97234396acc524
讀取圖像
需要處理成灰度圖，因為輸出會根據圖片的尺寸來決定輸出的位置以及窗口的大小，所以我這里自己初始化固定了窗口大小有輸出的位置。
import numpy as np
import cv2# 讀取圖像
image = cv2.imread('input_image.jpg', cv2.IMREAD_GRAYSCALE)# 將灰度圖像調整為固定大小
gray_resized = cv2.resize(image, (500, 400), interpolation=cv2.INTER_NEAREST)# 獲取屏幕尺寸
screen_height, screen_width = 1080, 1920# 計算窗口左上角位置
window_x = int((screen_width - 500) / 2)
window_y = int((screen_height - 400) / 2)# 創建窗口并顯示結果
cv2.namedWindow('GrayImage', cv2.WINDOW_NORMAL) # 設置窗口大小可調整
cv2.resizeWindow('GrayImage', 500, 400)
cv2.moveWindow('GrayImage', window_x, window_y)
cv2.imshow('GrayImage', gray_resized)
cv2.waitKey(0)
cv2.destroyAllWindows()
降噪（高斯濾波）
高斯濾波_百度百科 (baidu.com)https://baike.baidu.com/item/%E9%AB%98%E6%96%AF%E6%BB%A4%E6%B3%A2/9032353?fr=ge_ala
OpenCV高斯濾波函數--GaussianBlur()參數說明_gaussianblur參數-CSDN博客https://blog.csdn.net/qq_28126689/article/details/105953157用于平滑圖像以消除噪聲，使得后續的梯度計算更加穩定。
# 高斯濾波
image_blur = cv2.GaussianBlur(image, (5, 5), 1)梯度計算
計算水平和垂直方向的梯度，因為是向量的形式他這個只有四條線來劃分，假設計算出水平方向是指向0，垂直方向是指向90，他結果就是指向45，如果角度是30也會變成40。
# 計算梯度
gradient_x = cv2.Sobel(image_blur, cv2.CV_64F, 1, 0, ksize=3)
gradient_y = cv2.Sobel(image_blur, cv2.CV_64F, 0, 1, ksize=3)gradient_magnitude = np.sqrt(gradient_x ** 2 + gradient_y ** 2)
gradient_direction = np.arctan2(gradient_y, gradient_x) * 180 / np.pi非極大值抑制
將梯度圖像中的局部最大值保留，以消除非邊緣像素。對于每個像素，只有梯度方向上的像素值是局部最大值，才會保留，其他像素將被抑制。
就是根據前面梯度的方向，假設他梯度方向是垂直的，如果當前位置上面的元素和下面位置的元素都小于當前位置的元素，則當前位置就是局部最大值，就應該保留下來，反之就會被抑制。
# 非極大值抑制
gradient_magnitude_suppressed = np.zeros_like(gradient_magnitude)for i in range(1, gradient_magnitude.shape[0] - 1):for j in range(1, gradient_magnitude.shape[1] - 1):angle = gradient_direction[i, j]if (0 <= angle < 22.5) or (157.5 <= angle <= 180) or (-22.5 <= angle < 0) or (-180 <= angle < -157.5):if (gradient_magnitude[i, j] >= gradient_magnitude[i, j + 1]) and (gradient_magnitude[i, j] >= gradient_magnitude[i, j - 1]):gradient_magnitude_suppressed[i, j] = gradient_magnitude[i, j]elif (22.5 <= angle < 67.5) or (-157.5 <= angle < -112.5):if (gradient_magnitude[i, j] >= gradient_magnitude[i - 1, j + 1]) and (gradient_magnitude[i, j] >= gradient_magnitude[i + 1, j - 1]):gradient_magnitude_suppressed[i, j] = gradient_magnitude[i, j]elif (67.5 <= angle < 112.5) or (-112.5 <= angle < -67.5):if (gradient_magnitude[i, j] >= gradient_magnitude[i - 1, j]) and (gradient_magnitude[i, j] >= gradient_magnitude[i + 1, j]):gradient_magnitude_suppressed[i, j] = gradient_magnitude[i, j]elif (112.5 <= angle < 157.5) or (-67.5 <= angle < -22.5):if (gradient_magnitude[i, j] >= gradient_magnitude[i - 1, j - 1]) and (gradient_magnitude[i, j] >= gradient_magnitude[i + 1, j + 1]):gradient_magnitude_suppressed[i, j] = gradient_magnitude[i, j]
雙閾值檢測
像素梯度大于高閾值，則將其標記為強邊緣；如果像素梯度介于低閾值和高閾值之間，則將其標記為弱邊緣；否則，將其標記為非邊緣。
介于兩條線之間的就是可能保留可能淘汰還要看后續的處理，高分數線以上的直接保留，低分數線沒達到的直接淘汰。
# 雙閾值檢測
gradient_magnitude_suppressed_normalized = cv2.normalize(gradient_magnitude_suppressed, None, 0, 255,cv2.NORM_MINMAX, cv2.CV_8U)low_threshold = int(low_threshold)high_threshold = int(high_threshold)strong_edges = (gradient_magnitude_suppressed_normalized >= high_threshold)weak_edges = (gradient_magnitude_suppressed_normalized >= low_threshold) & (gradient_magnitude_suppressed_normalized < high_threshold)
邊緣連接
將弱邊緣連接到強邊緣，以形成完整的邊緣。如果弱邊緣與任何一個強邊緣相連，則將其標記為邊緣；否則，將其標記為非邊緣。
就是畫了兩條分數線，低分數線以下的直接淘汰，高分數以上的直接錄取，如果介于兩條線之間的，看有沒有關系，如果有關系就保留，沒有關系就淘汰。
# 邊緣連接
strong_edges_idx = np.argwhere(strong_edges)
weak_edges_idx = np.argwhere(weak_edges)edge_image = np.zeros_like(gradient_magnitude_suppressed_normalized)
edge_image[strong_edges] = 255for i, j in weak_edges_idx:if np.any(strong_edges[i - 1:i + 2, j - 1:j + 2]):edge_image[i, j] = 255代碼?
import numpy as np
import cv2def CannyEdgeDetection(image, sigma=1, low_threshold=20, high_threshold=50):# 1. 高斯濾波image_blur = cv2.GaussianBlur(image, (5, 5), sigma)# 2. 計算梯度gradient_x = cv2.Sobel(image_blur, cv2.CV_64F, 1, 0, ksize=3)gradient_y = cv2.Sobel(image_blur, cv2.CV_64F, 0, 1, ksize=3)gradient_magnitude = np.sqrt(gradient_x ** 2 + gradient_y ** 2)gradient_direction = np.arctan2(gradient_y, gradient_x) * 180 / np.pi# 3. 非極大值抑制gradient_magnitude_suppressed = np.zeros_like(gradient_magnitude)for i in range(1, gradient_magnitude.shape[0] - 1):for j in range(1, gradient_magnitude.shape[1] - 1):angle = gradient_direction[i, j]if (0 <= angle < 22.5) or (157.5 <= angle <= 180) or (-22.5 <= angle < 0) or (-180 <= angle < -157.5):if (gradient_magnitude[i, j] >= gradient_magnitude[i, j + 1]) and (gradient_magnitude[i, j] >= gradient_magnitude[i, j - 1]):gradient_magnitude_suppressed[i, j] = gradient_magnitude[i, j]elif (22.5 <= angle < 67.5) or (-157.5 <= angle < -112.5):if (gradient_magnitude[i, j] >= gradient_magnitude[i - 1, j + 1]) and (gradient_magnitude[i, j] >= gradient_magnitude[i + 1, j - 1]):gradient_magnitude_suppressed[i, j] = gradient_magnitude[i, j]elif (67.5 <= angle < 112.5) or (-112.5 <= angle < -67.5):if (gradient_magnitude[i, j] >= gradient_magnitude[i - 1, j]) and (gradient_magnitude[i, j] >= gradient_magnitude[i + 1, j]):gradient_magnitude_suppressed[i, j] = gradient_magnitude[i, j]elif (112.5 <= angle < 157.5) or (-67.5 <= angle < -22.5):if (gradient_magnitude[i, j] >= gradient_magnitude[i - 1, j - 1]) and (gradient_magnitude[i, j] >= gradient_magnitude[i + 1, j + 1]):gradient_magnitude_suppressed[i, j] = gradient_magnitude[i, j]# 4. 雙閾值檢測gradient_magnitude_suppressed_normalized = cv2.normalize(gradient_magnitude_suppressed, None, 0, 255,cv2.NORM_MINMAX, cv2.CV_8U)low_threshold = int(low_threshold)high_threshold = int(high_threshold)strong_edges = (gradient_magnitude_suppressed_normalized >= high_threshold)weak_edges = (gradient_magnitude_suppressed_normalized >= low_threshold) & (gradient_magnitude_suppressed_normalized < high_threshold)# 5. 邊緣連接strong_edges_idx = np.argwhere(strong_edges)weak_edges_idx = np.argwhere(weak_edges)edge_image = np.zeros_like(gradient_magnitude_suppressed_normalized)edge_image[strong_edges] = 255for i, j in weak_edges_idx:if np.any(strong_edges[i - 1:i + 2, j - 1:j + 2]):edge_image[i, j] = 255return edge_image# 讀取圖像
image = cv2.imread('input_image.jpg', cv2.IMREAD_GRAYSCALE)# 使用Canny算子進行邊緣檢測
edges = CannyEdgeDetection(image)# 將邊緣圖像調整為固定大小
edges_resized = cv2.resize(edges, (500, 400), interpolation=cv2.INTER_NEAREST)# 獲取屏幕尺寸
screen_height, screen_width = 1080, 1920# 計算窗口左上角位置
window_x = int((screen_width - 500) / 2)
window_y = int((screen_height - 400) / 2)# 創建窗口并顯示結果
cv2.namedWindow('Canny Edge Detection', cv2.WINDOW_NORMAL) # 設置窗口大小可調整
cv2.resizeWindow('Canny Edge Detection', 500, 400)
cv2.moveWindow('Canny Edge Detection', window_x, window_y)
cv2.imshow('Canny Edge Detection', edges_resized)
cv2.waitKey(0)
cv2.destroyAllWindows()
?這個代碼是用chatGpt生成的，思路大概是沒錯的，但是不知道能不能對的上，還有就是識別出來的圖像不對，可能很稀疏的幾個點，也可能很密集，這個就需要調整高閾值和低閾值來處理。
![Collection（一）[集合體系]](http://pic.xiahunao.cn/Collection（一）[集合體系])
