在canny函数 ,中如何利用grad_x,grad_y

Canny函数是一种用于图像边缘检测的算法。它使用梯度值来检测图像中的边缘。在Canny函数中，grad_x和grad_y是通过使用Sobel算子来计算图像的水平和垂直梯度。这两个值可以用来计算图像的梯度幅值和梯度方向，并用于检测图像中的边缘。

相关问题

使用Canny函数处理图像，x,y分别是3求出来的梯度，低阈值50，高阈值150代码

在使用Canny边缘检测算法处理图像时，你需要通过计算图像的梯度来确定哪些像素被认为是边缘。Canny算子通常包含以下几个步骤：

1. **高斯滤波**：首先，对图像应用高斯滤波器（gaussian blur），用于平滑并减少噪声，`x` 和 `y` 分别表示两个方向上的梯度。

cv::Mat img_blur; // 创建一个空矩阵存储高斯模糊后的结果
cv::GaussianBlur(src, img_blur, cv::Size(3, 3), 0);

这里的`src`是你原始的输入图像，`cv::Size(3, 3)`指定了3x3的高斯核大小。

2. **计算梯度**：然后计算图像在每个像素处的梯度强度和方向。`Sobel`操作可以做到这一点，例如：

cv::Mat grad_x, grad_y; // 存储水平和垂直方向的梯度
cv::Sobel(img_blur, grad_x, CV_64F, 1, 0); // 水平梯度
cv::Sobel(img_blur, grad_y, CV_64F, 0, 1); // 垂直梯度

3. **计算梯度幅值和方向**：
- 应用公式计算梯度幅值 `sqrt(grad_x * grad_x + grad_y * grad_y)`
- 将方向转换成弧度 `atan2(grad_y, grad_x)`

4. **非极大值抑制**（Non-Maximum Suppression, NMS）：消除方向不是局部最大值的响应点。

5. **双阈值处理**：
- 找到大于高阈值 `150` 的像素，并标记为强边缘
- 对于小于低阈值 `50` 的像素，取消标记（除非它与强边缘相邻）

cv::Mat edges;
cv::Canny(img_blur, edges, 50, 150, 3); // 第三个参数是二阶导数检测的迭代次数

完整的代码片段如下：

#include <opencv2/opencv.hpp>
// ...

cv::Mat src, img_blur, grad_x, grad_y, edges;

// ... (加载图片)
// ...

cv::GaussianBlur(src, img_blur, cv::Size(3, 3), 0);
cv::Sobel(img_blur, grad_x, CV_64F, 1, 0);
cv::Sobel(img_blur, grad_y, CV_64F, 0, 1);

cv::Mat grad_mag, angle;
grad_mag = cv::sqrt((grad_x * grad_x) + (grad_y * grad_y));
angle = cv::arctan2(grad_y, grad_x) / CV_PI * 180;

// ... (继续进行NMS和双阈值处理)

edges = cv::Canny(img_blur, edges, 50, 150, 3);

// ... (后续处理，保存结果等)

根据anny算法的原理自定义一个my_canny函数来实现边缘检测

以下是一个基于anny算法实现的my_canny函数，用于边缘检测：

import numpy as np
import cv2

def my_canny(image, low_threshold, high_threshold, aperture_size=3):
    # 1. 首先进行灰度化处理
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    
    # 2. 对图像进行高斯滤波
    blurred = cv2.GaussianBlur(gray, (aperture_size, aperture_size), 0)
    
    # 3. 计算图像边缘的梯度和方向
    grad_x = cv2.Sobel(blurred, cv2.CV_16S, 1, 0)
    grad_y = cv2.Sobel(blurred, cv2.CV_16S, 0, 1)
    gradient = cv2.addWeighted(np.abs(grad_x), 0.5, np.abs(grad_y), 0.5, 0)
    theta = np.arctan2(grad_y, grad_x)
    theta = np.rad2deg(theta) % 180
    
    # 4. 计算图像中的非极大值点
    rows, cols = gradient.shape
    non_max_sup = np.zeros((rows, cols), dtype=np.uint8)
    for i in range(1, rows-1):
        for j in range(1, cols-1):
            if (0 <= theta[i,j] < 22.5) or (157.5 <= theta[i,j] <= 180):
                if (gradient[i,j] >= gradient[i,j-1]) and (gradient[i,j] >= gradient[i,j+1]):
                    non_max_sup[i,j] = gradient[i,j]
            elif (22.5 <= theta[i,j] < 67.5):
                if (gradient[i,j] >= gradient[i-1,j-1]) and (gradient[i,j] >= gradient[i+1,j+1]):
                    non_max_sup[i,j] = gradient[i,j]
            elif (67.5 <= theta[i,j] < 112.5):
                if (gradient[i,j] >= gradient[i-1,j]) and (gradient[i,j] >= gradient[i+1,j]):
                    non_max_sup[i,j] = gradient[i,j]
            else:
                if (gradient[i,j] >= gradient[i-1,j+1]) and (gradient[i,j] >= gradient[i+1,j-1]):
                    non_max_sup[i,j] = gradient[i,j]
    
    # 5. 使用双阈值算法进行边缘检测
    thresholded = np.zeros((rows, cols), dtype=np.uint8)
    strong_edges = (non_max_sup > high_threshold)
    thresholded[strong_edges] = 255
    weak_edges = (non_max_sup >= low_threshold) & (non_max_sup <= high_threshold)
    thresholded[weak_edges] = 127
    # 使用连通性分析来增强弱边缘
    _, contours, hierarchy = cv2.findContours(thresholded, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)
    for contour in contours:
        if cv2.contourArea(contour) < 100:
            continue
        contour = contour.reshape(-1, 2)
        for x, y in contour:
            if thresholded[y, x] == 127:
                thresholded[y, x] = 255
    
    # 6. 返回检测到的边缘图像
    return thresholded

上述函数中，使用的参数和方法与anny算法中的一致：

- aperture_size表示高斯滤波的卷积核大小，一般设置为3；
- low_threshold和high_threshold表示双阈值算法的两个阈值；
- 在计算非极大值点时，根据梯度方向来判断当前像素是否为非极大值点；
- 在进行弱边缘的增强时，先使用cv2.findContours函数找到所有的轮廓，然后对每个轮廓进行面积大小的判断，只有面积大于一定值的轮廓才会被认为是真正的边缘。