Python实现Canny及Hough算法代码实例解析

1. Canny算法介绍

边缘检测是图像处理中的重要技术之一，可以用于提取图像中目标物体的轮廓信息。Canny算法是一种经典的边缘检测算法，具有很好的边缘保持和抗噪声能力。

Canny算法的基本思想是利用图像中像素值的梯度信息来确定边缘。它的具体步骤如下：

1.1 高斯滤波

在Canny算法中，首先对原始图像进行高斯滤波，目的是平滑图像并减少噪声的影响。高斯滤波是一种线性平滑滤波器，通过将图像中每个像素点的值与周围像素点的值进行加权平均，来实现平滑效果。具体公式如下：

import cv2
import numpy as np
def gaussian_blur(image, kernel_size=5):
    return cv2.GaussianBlur(image, (kernel_size, kernel_size), 0)

上述代码中，cv2.GaussianBlur()函数用于进行高斯滤波，kernel_size参数指定了滤波器的大小。

1.2 计算梯度幅值和方向

接下来，对经过高斯滤波后的图像进行梯度计算，得到每个像素点的梯度幅值和方向。常用的方法是使用Sobel算子进行卷积运算，计算得到水平方向和垂直方向的梯度。具体代码如下：

def gradient(image):
    x_gradient = cv2.Sobel(image, cv2.CV_64F, 1, 0, ksize=3)
    y_gradient = cv2.Sobel(image, cv2.CV_64F, 0, 1, ksize=3)
    gradient_magnitude = np.sqrt(x_gradient**2 + y_gradient**2)
    gradient_direction = np.arctan2(y_gradient, x_gradient)
    return gradient_magnitude, gradient_direction

cv2.Sobel()函数用于计算图像的梯度，ksize参数指定了Sobel算子的大小。

1.3 非最大抑制

非最大抑制的目的是将梯度图像中的边缘细化，保留像素值最大的边缘点，同时抑制非边缘点。具体步骤如下：