-
Notifications
You must be signed in to change notification settings - Fork 0
/
Canny.py
189 lines (169 loc) · 10.2 KB
/
Canny.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
# -*- coding: utf-8 -*-
import numpy as np
import math
import cv2
# 注：Sobel.py文件必须在同一路径下，这里直接调用它利用Sobel算子的函数
import Sobel
# 注：增加嵌套层数上限(默认是1000)，防止stack overflow问题出现
import sys
sys.setrecursionlimit(20000)
# 非极大值抑制(粗糙版)：梯度方向线只跨2个邻域像素
# 传入参数：dx和dy是Sobel两个卷积核卷积后的结果：
def non_maximum_suppression_default(dx,dy):
# 边缘强度：
edgeMag = np.around( np.sqrt(np.power(dx,2) + np.power(dy,2)) )
# 记录图片宽和高：
rows, cols = edgeMag.shape
# 梯度方向：
gradientDirection = np.zeros(edgeMag.shape)
# 边缘强度非极大值抑制：下面都对edgeMag_nonMaxSup处理！
# 注意：边缘一圈都是0值，不做处理，故循环从1开始！
edgeMag_nonMaxSup = np.zeros(edgeMag.shape)
for r in range(1,rows-1):
for c in range(1,cols-1):
# angle的范围：[0,180]&[-180,0]
angle = math.atan2(dy[r][c],dx[r][c])/math.pi*180
gradientDirection[r][c] = angle
# (1) 梯度方向线横跨左/右，angle的范围：[0,22.5)&(-22.5,0) & (157.5,180]&[-180,-157.5)
# 若观测点比领域两点都大，则保持原值，否则置0
if( abs(angle)<22.5 or abs(angle)>157.5 ):
if( edgeMag[r][c]>edgeMag[r][c-1] and edgeMag[r][c]>edgeMag[r][c+1] ):
edgeMag_nonMaxSup[r][c] = edgeMag[r][c]
# (2) 梯度方向线横跨左上/右下，angle的范围：[22.5,67.5)&[-157.5,-112.5)
if( (angle>=22.5 and angle<67.5) or (-angle > 112.5 and -angle <= 157.5) ):
if( edgeMag[r][c]>edgeMag[r-1][c-1] and edgeMag[r][c]>edgeMag[r+1][c+1] ):
edgeMag_nonMaxSup[r][c] = edgeMag[r][c]
# (3) 梯度方向线横跨上/下，angle的范围：[67.5,112.5]&[-112.5,-67.5]
if( (angle>=67.5 and angle<=112.5) or (angle>=-112.5 and angle<=-67.5) ):
if( edgeMag[r][c]>edgeMag[r-1][c] and edgeMag[r][c]>edgeMag[r+1][c]):
edgeMag_nonMaxSup[r][c] = edgeMag[r][c]
# (4) 梯度方向线横跨右上/左下，angle的范围：
if((angle>112.5 and angle<=157.5) or(-angle>=22.5 and -angle< 67.5 )):
if(edgeMag[r][c]>edgeMag[r-1][c+1] and edgeMag[r][c] > edgeMag[r+1][c-1]):
edgeMag_nonMaxSup[r][c] = edgeMag[r][c]
# 返回结果：
return edgeMag_nonMaxSup
# 非极大值抑制(精细插值版)：梯度方向线可跨4个邻域像素
def non_maximum_suppression_Inter(dx,dy):
# 边缘强度：
edgeMag = np.around( np.sqrt(np.power(dx,2.0) + np.power(dy,2.0)) )
# 记录图片宽和高：
rows, cols = edgeMag.shape
# 梯度方向：
gradientDirection = np.zeros(edgeMag.shape)
# 边缘强度非极大值抑制：下面都对edgeMag_nonMaxSup处理！
# 注意：边缘一圈都是0值，不做处理，故循环从1开始！
edgeMag_nonMaxSup = np.zeros(edgeMag.shape)
for r in range(1,rows-1):
for c in range(1,cols-1):
# 因为插值会用到dx/dy或dy/dx的比值，故要排除0值的情况：
if dy[r][c] == 0 or dx[r][c] == 0:
continue
# angle的范围：[0,180]&[-180,0]
angle = math.atan2(dy[r][c],dx[r][c])/math.pi*180
gradientDirection[r][c] = angle
# (1) 梯度方向线横跨左上/上/右下/下，angle范围：(45.90]&(-135,-90]；左上与上插值，右下与下插值
if (angle>45 and angle<=90) or (angle>-135 and angle <=-90):
ratio = abs(dx[r][c]/dy[r][c])
# 插值：合并为两个新的"邻域"
leftTop_top = ratio*edgeMag[r-1][c-1] + (1-ratio)*edgeMag[r-1][c]
rightBottom_bottom = (1-ratio)*edgeMag[r+1][c] + ratio*edgeMag[r+1][c+1]
if (edgeMag[r][c] > leftTop_top) and (edgeMag[r][c] > rightBottom_bottom):
edgeMag_nonMaxSup[r][c] = edgeMag[r][c]
# (2) 梯度方向线横跨左下/下/右上/上，angle范围：(90,135]&(-90,-45]
if (angle>90 and angle<=135) or (angle>-90 and angle<=-45):
ratio = abs(dx[r][c]/dy[r][c])
# 插值：合并为两个新的"邻域"
rightTop_top = ratio*edgeMag[r-1][c+1] + (1-ratio)*edgeMag[r-1][c]
leftBottom_bottom = ratio*edgeMag[r+1][c-1] + (1-ratio)*edgeMag[r+1][c]
if (edgeMag[r][c] > rightTop_top) and (edgeMag[r][c] > leftBottom_bottom):
edgeMag_nonMaxSup[r][c] = edgeMag[r][c]
# (3) 梯度方向线横跨左上/左/右下/右，angle范围：[0,45]&[-180,-135]
if (angle>=0 and angle <=45) or (angle>-180 and angle<=-135):
ratio = abs(dy[r][c]/dx[r][c])
# 插值：合并为两个新的"邻域"
rightBottom_right = ratio*edgeMag[r+1][c+1]+(1-ratio)*edgeMag[r][c+1]
leftTop_left = ratio*edgeMag[r-1][c-1]+(1-ratio)*edgeMag[r][c-1]
if (edgeMag[r][c] > rightBottom_right) and (edgeMag[r][c] > leftTop_left):
edgeMag_nonMaxSup[r][c] = edgeMag[r][c]
# (4) 梯度方向线横跨左下/左/右上/右，angle范围：(135,180]&(-45,0)
if(angle>135 and angle<=180) or (angle>-45 and angle<0):
ratio = abs(dy[r][c]/dx[r][c])
# 插值：合并为两个新的"邻域"
rightTop_right = ratio*edgeMag[r-1][c+1]+(1-ratio)*edgeMag[r][c+1]
leftBottom_left = ratio*edgeMag[r+1][c-1]+(1-ratio)*edgeMag[r][c-1]
if (edgeMag[r][c] > rightTop_right) and (edgeMag[r][c] > leftBottom_left):
edgeMag_nonMaxSup[r][c] = edgeMag[r][c]
# 返回结果：
return edgeMag_nonMaxSup
# 判断一个点的坐标是否在图像范围内
# 参数：(r,c)为像素的坐标点，(rows,cols)为图像总尺寸
def checkInRange(r, c, rows, cols):
if r>=0 and r<rows and c>=0 and c<cols:
return True
else:
return False
# 边缘的延长函数：延长"滞后阈值"中确定性(>upperThresh)边缘点
# 传入的参数(r,c)是确定性边缘点的坐标
# trace函数是判断以(r,c)为中心的3x3范围内是否有处于">lowerThresh"的点，并将其延长成边缘点!
def trace(edgeMag_nonMaxSup, edge, lowerThresh, r, c, rows, cols):
# 大于阈值为确定边缘点：
# 注：先判断是否为0 —— 因为edge初始化全是0，如果这里是0，说明该位置还未进行阈值判断
if edge[r][c] == 0:
# 确定性边缘的赋值：因为传入的(r,c)是确定性边缘点，故直接赋值为255
edge[r][c] = 255
# 边缘延长：选择以(r,c)为中心的3x3窗口，中心点(r,c)与周围一圈的8个点的关系均可认为是在"一条线"上，进而延长边缘
for i in range(-1,2):
for j in range(-1,2):
if checkInRange(r+i, c+j, rows, cols) and (edgeMag_nonMaxSup[r+i][c+j] >= lowerThresh):
trace(edgeMag_nonMaxSup, edge, lowerThresh, r+i, c+j, rows, cols)
# 双阈值(高低)滞后阈值处理：获得最终的Canny边缘
def hysteresisThreshold(edge_nonMaxSup, lowerThresh, upperThresh):
# 图片宽和高：
rows, cols = edge_nonMaxSup.shape
# edge是被"阈值处理"的关键变量，先都初始化为0值：
edge = np.zeros(edge_nonMaxSup.shape, np.uint8)
for r in range(1,rows-1):
for c in range(1,cols-1):
# 大于高阈值，直接认定为确定边缘点，并以该点为起始点延长边缘
# 更进一步：确定性边缘点要尽可能延长其边界，观测窗口为以该边缘点为中心的3x3邻域像素点
# 注意：对确定性边缘点的赋值在trace函数中进行
if edge_nonMaxSup[r][c] >= upperThresh:
trace(edge_nonMaxSup, edge, lowerThresh, r, c, rows, cols)
# 小于低阈值，直接设置为0
if edge_nonMaxSup[r][c] < lowerThresh:
edge[r][c] = 0
return edge
# 主函数
if __name__ == "__main__":
image = cv2.imread('doge2.jpg', cv2.IMREAD_GRAYSCALE)
cv2.imshow('image', image)
# Canny边缘检测：
# (1) 利用Sobel算子获得两个方向的卷积结果：Sobel阶数可以人为指定，最好是奇数!
kernelsize = 3
conv_sobel_x, conv_sobel_y = Sobel.sobel(image, kernelsize)
# (2) 边缘强度非极大值抑制：
# 选择1：non_maximum_suppression_default
edgeMag_nonMaxSup_default = non_maximum_suppression_default(conv_sobel_x, conv_sobel_y)
edgeMag_nonMaxSup_default[ edgeMag_nonMaxSup_default>255 ] = 255
edgeMag_nonMaxSup_default = edgeMag_nonMaxSup_default.astype(np.uint8)
cv2.imshow('Canny_edgeMag_nonMaxSup_Default_' + str(kernelsize) + 'sizesSobel', edgeMag_nonMaxSup_default)
cv2.imwrite('Canny_edgeMag_nonMaxSup_Default.jpg', edgeMag_nonMaxSup_default)
# 选择2：non_maximum_suppression_Inter
edgeMag_nonMaxSup_Inter = non_maximum_suppression_Inter(conv_sobel_x, conv_sobel_y)
edgeMag_nonMaxSup_Inter[ edgeMag_nonMaxSup_Inter>255 ] = 255
edgeMag_nonMaxSup_Inter = edgeMag_nonMaxSup_Inter.astype(np.uint8)
cv2.imshow('Canny_edgeMag_nonMaxSup_Inter_' + str(kernelsize) + 'sizesSobel', edgeMag_nonMaxSup_Inter)
cv2.imwrite('Canny_edgeMag_nonMaxSup_Inter.jpg', edgeMag_nonMaxSup_Inter)
# (3) 双阈值滞后阈值处理：lowerThresh和upperThresh人为指定(超参数)
lowerThresh = 40
upperThresh = 180
edge_default = hysteresisThreshold(edgeMag_nonMaxSup_default, lowerThresh, upperThresh)
edge_inter = hysteresisThreshold(edgeMag_nonMaxSup_Inter, lowerThresh, upperThresh)
cv2.imshow('Canny_Edge_Default_' + str(kernelsize) + 'sizesSobel', edge_default)
cv2.imshow('Canny_Edge_Inter_' + str(kernelsize) + 'sizesSobel', edge_inter)
cv2.imwrite('Canny_Edge_Default.jpg', edge_default)
cv2.imwrite('Canny_Edge_Inter.jpg', edge_inter)
# 图像一直显示直到关闭图像窗口，程序运行结束
cv2.waitKey(0)
cv2.destroyAllWindows()