-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathtask1_canny_edge_detection.py
119 lines (110 loc) · 7.1 KB
/
task1_canny_edge_detection.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
# -*- coding: utf-8 -*-
"""
Created on Sun May 1 19:29:43 2022
Microsoft Windows10 家庭中文版
版本20H2(操作系统内部版本19042.1586)
处理器 lntel(R) Core(TM) i5-8300H CPU @ 2.30GHz2.30 GHz
机带RAM 8.00 GB (7.80 GB可用)
GPU0 lntel(R) UHD Graphics 630
GPU1 NVIDIA GeForce GTX 1050 Ti
主要分为四个步骤
(1)借用sobel算子生成梯度幅值图，梯度方向图
(2)进行非极大值抑制处理
(3)进行双阈值处理，滤波除去孤立噪声点后，以强边缘点为中心搜索连接，舍弃低于低阈值的像素点（置零），保留低阈值~255内的像素点
(4)进行二值化，最终图像的像素点只有0或255两种，保留需要的边缘（车道线）
@author: 1851889-郑博源
"""
import cv2
import numpy as np
import math
#定义进行梯度计算的函数
def grad_img(img):
global sobel_edge_x
sobel_edge_x = cv2.Sobel(img, ddepth=cv2.CV_32F, dx=1, dy=0, ksize=3)#水平方向梯度图像
global sobel_edge_y
sobel_edge_y = cv2.Sobel(img, ddepth=cv2.CV_32F, dx=0, dy=1, ksize=3)#竖直方向梯度图像
global edge
edge = np.sqrt(np.power(sobel_edge_x, 2) + np.power(sobel_edge_y, 2))#计算梯度图像
cv2.imshow('grad_img',np.uint8(edge)) #显示图像
#定义非极大值抑制函数
def no_maximum_suppression_default(dx, dy, edge):
rows, cols = dx.shape #取图像的长和宽
gradientDirection = np.zeros(dx.shape) #建立和原图像大小相同的空矩阵
edge_nonMaxSup = np.zeros(dx.shape) #最外层一圈为填充0，不进行处理
for r in range(1, rows-1):
for c in range(1, cols-1):
angle = math.atan2(dy[r][c], dx[r][c])*180/math.pi #计算梯度方向（梯度角），范围在-180°至180°
gradientDirection[r][c] = angle #将梯度角存入梯度角矩阵
#将图像分为4个梯度角区间进行分类讨论，区间中心分别为0°，45°，90°，135°直线，即八邻域表示法。
# 左右方向（-22.5°~22.5°及157.5°~-157.5°）
if abs(angle) < 22.5 or abs(angle) > 157.5:
if edge[r][c] > edge[r][c-1] and edge[r][c] > edge[r][c+1]:#沿正负梯度方向，比较当前像素与相邻像素的梯度强度
edge_nonMaxSup[r][c] = edge[r][c] #若当前像素梯度为最大值，则保留；若不是则置零，余下同理
# 左上角，右下角方向（22.5°~67.5°及-157.5°~-112.5°）
if 22.5 <= angle < 67.5 or -157.5 <= angle < -112.5:
if edge[r][c] > edge[r-1][c-1] and edge[r][c] > edge[r+1][c+1]:
edge_nonMaxSup[r][c] = edge[r][c]
# 上下方向（67.5°~112.5°及-112.5°~-67.5°）
if 67.5 <= abs(angle) <= 112.5:
if edge[r][c] > edge[r-1][c] and edge[r][c] > edge[r+1][c]:
edge_nonMaxSup[r][c] = edge[r][c]
# 左下角，右上角方向（112.5°~157.5°及-67.5°~-22.5°）
if 112.5 < angle <= 157.5 or -67.5 < angle <= -22.5:
if edge[r][c] > edge[r-1][c+1] and edge[r][c] > edge[r+1][c-1]:
edge_nonMaxSup[r][c] = edge[r][c]
return edge_nonMaxSup
#定义一个检验函数，目的是保证遍历的点在图标范围内，且不包含边缘
#其中r,c是点的坐标，rows,cols则是图片的长、宽
def checkInRange(r, c, rows, cols):
if 0 <= r < rows and 0 <= c < cols:
return True #若该遍历到的点在图片范围内，则继续，否则舍弃这个点
else:
return False
#定义一个遍历循环函数（或曰搜索连接函数，目的是寻找强边缘点周围的弱边缘点，若它们相邻则把他们连成一片
#其中edge_nonMaxSup为经非极大值抑制后的梯度幅值图，edges是储存结果的矩阵,r,c是点的坐标，rows,cols则是图片的长、宽
def trace(edge_nonMaxSup, edge, lowerThresh, r, c, rows, cols):
if edge[r][c] == 0:
edge[r][c] = edge_nonMaxSup[r][c] #将该强边缘点输入结果矩阵
for i in range(-1, 2):
for j in range(-1, 2): #两重循环的目的在于遍历该强边缘点周围的八个像素点，寻找是否有高于最低阈值的像素点
if checkInRange(r+i, c+j, rows, cols) and edge_nonMaxSup[r+i][c+j] >= lowerThresh:
trace(edge_nonMaxSup, edge, lowerThresh, r+i, c+j, rows, cols)
'''#如果在该强边缘点周围找到了高于最低阈值的像素点，则继续对找到的点周围进行遍历
从而达到搜索连接强边缘点与若边缘点的目的，于此同时，低于最低阈值的点置零
孤立的弱边缘点（噪声点）也不做处理，即默认置零，从而达到了保留边缘的效果'''
#定义了双阈值处理函数，参数分别为：edge_nonMaxSup是经非极大值抑制后的梯度幅值图，lowerThresh, upperThresh分别为最低和最高阈值
def hysteresisThreshold(edge_nonMaxSup, lowerThresh, upperThresh):
rows, cols = edge_nonMaxSup.shape #取图片长和宽值
edge = np.zeros(edge_nonMaxSup.shape, np.uint8)#边缘置零
for r in range(1, rows-1):
for c in range(1, cols-1):
# 大于高阈值的点确定为边缘点，并以该点为起点进行深度优先搜索
if edge_nonMaxSup[r][c] >= upperThresh:
trace(edge_nonMaxSup, edge, lowerThresh, r, c, rows, cols)
# 小于低阈值的点剔除掉，直接置零
if edge_nonMaxSup[r][c] < lowerThresh:
edge[r][c] = 0
return edge
if __name__ == "__main__":
#进行预处理：读入图片，并进行高斯滤波。
img = cv2.imread(r'img/lanes.png', 0)
img = cv2.GaussianBlur(img, (3, 3), 0)
#原始图像的梯度幅值图
grad_img(img)
cv2.imwrite("./output_1/1_Gradient_Magnitude_Map.png",np.uint8(edge))
# 梯度方向非极大值抑制
edge_nonMaxSup = no_maximum_suppression_default(sobel_edge_x, sobel_edge_y,edge)
edge_nonMaxSup[edge_nonMaxSup>255] = 255 #将大于255的像素值截断
cv2.imshow('nms_img',np.uint8(edge_nonMaxSup))
cv2.imwrite("./output_1/2_No_Maximum_Suppression.png",np.uint8(edge_nonMaxSup))
# 双阈值后阈值处理
edge_nonMaxSup = edge_nonMaxSup.astype(np.uint8)
canny_edge = hysteresisThreshold(edge_nonMaxSup, 60, 180)#选取60和180为上下阈值，尽量保留车道线而减少其他边缘
cv2.imshow("hysteresisThreshold.png", canny_edge)
cv2.imwrite("./output_1/3_Hysteresis_Threshold.png",np.uint8(canny_edge))
#双阈值后处理后的梯度图进行二值化
canny_edge[canny_edge>0]=255
cv2.imshow("Binarization",canny_edge)
cv2.imwrite("./output_1/4_Binarization.png",np.uint8(canny_edge))
cv2.waitKey(0)
cv2.destroyAllWindows()