边缘检测的基本原理与图像增强python代码

边缘检测是计算机视觉中的基础任务之一，其目的是找出图像中物体轮廓的边界。基本原理是寻找图像像素值变化显著的位置，常见的方法有基于梯度的检测、阈值法等。在Python中，我们可以利用OpenCV库来实现这一过程。

**基本原理**：
1. **梯度算子**：计算图像像素间的局部变化量，较大的变化意味着可能存在边缘。Canny算法就是一个广泛应用的例子，它包含高斯滤波（降噪）、计算梯度（水平和垂直方向）和非极大值抑制（保留边缘）三个步骤。
2. **阈值法**：如Sobel、Prewitt算子等，对图像进行二值化处理，通过设定阈值来判断像素是否位于边缘区域。
3. **边缘连接**：在找到单个边缘后，通过膨胀（connectivity）或腐蚀操作连接临近的像素点，形成完整的边缘轮廓。

**Python代码示例（Canny边缘检测）**：

import cv2
import numpy as np

# 读取图像
img = cv2.imread('input.jpg', 0)  # 0表示读取灰度图像

# Canny边缘检测
edges = cv2.Canny(img, low_threshold=50, high_threshold=150)

# 显示原图和检测到的边缘
cv2.imshow('Original Image', img)
cv2.imshow('Edges Detected', edges)
cv2.waitKey(0)
cv2.destroyAllWindows()

在这个例子中，`cv2.Canny()`函数接受输入图像、低阈值和高阈值作为参数，返回的是一个边缘强度图。`low_threshold`和`high_threshold`决定了边缘检测的敏感度。

**