前情提要：作為剛入門機器視覺的小伙伴，第一節課學到機器視覺語法時覺得很難理解，

很多人家的經驗，我發現都千篇一律，功能函數沒解析，參數不講解，就一個代碼，所以在此將搜集的解析和案例拿出來匯總??！!

一、opencv+python環境搭建

其實能寫python的就能寫opencv，但是工具很總要，代碼提示也很重要，你可能會用submit vs等工具，submit編碼個人覺得不夠智能，vs的話過完年我學的方向不一致，所以沒用

推薦 pycharm ,在項目setting中的項目解釋器中安裝 opencv-python 即可進行編碼。python環境搭建也灰常方便。

二、邊緣提取案例

import cv2def edge_demo(image): #GaussianBlur圖像高斯平滑處理 blurred = cv2.GaussianBlur(image, (3, 3), 0)#(3, 3)表示高斯矩陣的長與寬都是3,意思就是每個像素點按3*3的矩陣在周圍取樣求平均值，，標準差取0 gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)#顏色模式轉換成cv2.COLOR_BGR2GRAY模式下的灰度圖像 edge_output = cv2.Canny(gray, 50, 150)#提取上一步中處理好的圖像邊緣，50和150分別代表低閾值和高閾值，高閾值用來將物體與背景區分開來，低的用于平滑連接高閾值產生的片段，使圖像成一個整體 cv2.imshow('canny edge', edge_output)#輸出灰度圖像#原圖與灰度圖像與運算，按照灰度圖剪切加和的原圖 dst = cv2.bitwise_and(image, image, mask=edge_output) cv2.imshow('color edge', dst)#輸出帶顏色邊緣圖像if __name__ == ’__main__’: img = cv2.imread('cat.jpg') # cv2.namedWindow('input image', cv2.WINDOW_AUTOSIZE) cv2.imshow('input image', img) edge_demo(img) cv2.waitKey(0)#等待鍵盤輸入，不輸入 則無限等待 cv2.destroyAllWindows()#清除所以窗口

三、解釋功能函數

其實上面的代碼也是用的別人的，但絕大多數都沒有解釋，對于像我這種新手不是很友好

高斯處理

圖像處理中，常用的濾波算法有均值濾波、中值濾波以及高斯濾波等。

三種濾波器的對比：

濾波器種類 基本原理 特點

均值濾波 使用模板內所有像素的平均值代替模板中心像素灰度值 易收到噪聲的干擾，不能完全消除噪聲，只能相對減弱噪聲

中值濾波 計算模板內所有像素中的中值，并用所計算出來的中值體改模板中心像素的灰度值 對噪聲不是那么敏感，能夠較好的消除椒鹽噪聲，但是容易導致圖像的不連續性

高斯濾波 對圖像鄰域內像素進行平滑時，鄰域內不同位置的像素被賦予不同的權值 對圖像進行平滑的同時，同時能夠更多的保留圖像的總體灰度分布特征

意思就是使你的圖像灰度分布更均勻，每個點的像素均為周圍 按3*3的矩陣在周圍取樣求平均值，，標準差取0來處

blurred = cv2.GaussianBlur(image, (3, 3), 0)#GaussianBlur圖像高斯平滑處理#(3, 3)表示高斯矩陣的長與寬都是3,意思就是每個像素點按3*3的矩陣在周圍取樣求平均值，，標準差取0

灰度轉換----》也叫做二值化處理

故名思意就是轉換成黑白圖像，后面的參數中 cv2.COLOR_BGR2GRAY 其實就是色彩模式，所以函數名為 cvtColor（色彩模式轉換）

cvtColor()用于將圖像從一個顏色空間轉換到另一個顏色空間的轉換（目前常見的顏色空間均支持），并且在轉換的過程中能夠保證數據的類型不變， 即轉換后的圖像的數據類型和位深與源圖像一致

gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)#顏色模式轉換成cv2.COLOR_BGR2GRAY模式下的灰度圖像

邊緣識別提取

這一步是將二值化后的圖像提取邊緣，50和150分別代表低閾值和高閾值，高閾值用來將物體與背景區分開來，低的用于平滑連接高閾值產生的片段，使圖像成一個整體

簡明而言就是，小的用于細小的地方處理，大的宏觀處理----》大閾值用于分離背景與輪廓，曉得用于拼接細小的輪廓，即可形成一個整體

edge_output = cv2.Canny(gray, 50, 150)#提取上一步中處理好的圖像邊緣，50和150分別代表低閾值和高閾值，高閾值用來將物體與背景區分開來，低的用于平滑連接高閾值產生的片段，使圖像成一個整體

輸出即可，小面的函數只是對比學習而已，可以不用

（對于dst = cv2.bitwise_and(image, image, mask=edge_output) cv2.imshow('color edge', dst)#輸出帶顏色邊緣圖像

)

到此這篇關于python+opencv邊緣提取與各函數參數解析的文章就介紹到這了,更多相關python opencv邊緣提取內容請搜索好吧啦網以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持好吧啦網！