Python skimage.feature.canny用法及代码示例

用法: skimage.feature.canny(image, sigma=1.0, low_threshold=None, high_threshold=None, mask=None, use_quantiles=False, *, mode='constant', cval=0.0)

使用 Canny 算法对图像进行边过滤。

参数：

image：二维数组: 灰度输入图像以检测边；可以是任何 dtype。
sigma：浮点数，可选: 高斯滤波器的标准偏差。
low_threshold：浮点数，可选: 滞后阈值(链接边)的下限。如果没有，low_threshold 设置为 dtype 最大值的 10%。
high_threshold：浮点数，可选: 滞后阈值的上限(链接边)。如果没有，high_threshold 设置为 dtype 最大值的 20%。
mask：数组，dtype=bool，可选: 将 Canny 的应用限制在某个区域的掩码。
use_quantiles：布尔型，可选: 如果 True 则将 low_threshold 和 high_threshold 视为边幅度图像的分位数，而不是绝对边幅度值。如果 True 则阈值必须在 [0, 1] 范围内。
mode：字符串，{‘reflect’, ‘constant’, ‘nearest’, ‘mirror’, ‘wrap’}: mode 参数确定在高斯滤波期间如何处理数组边界，其中 cval 是模式等于 ‘constant’ 时的值。
cval：浮点数，可选: 如果模式为‘constant’，则填充过去输入边的值。

output：二维数组(图像): 二元边图。

注意：

该算法的步骤如下：

使用具有sigma 宽度的高斯平滑图像。
应用水平和垂直 Sobel 算子来获得图像中的渐变。边强度是梯度的范数。
将潜在边细化到 1 像素宽的曲线。首先，在每个点找到边的法线。这是通过查看X-Sobel 和Y-Sobel 的符号和相对幅度来完成的，将点分为4 类：水平、垂直、对角线和对角线。然后查看正常和反向方向，看看其中任何一个方向的值是否大于所讨论的点。使用插值来获得混合点，而不是选择最接近法线的点。
执行滞后阈值处理：首先将高于高阈值的所有点标记为边。然后递归地将任何高于低阈值的点标记为 8 连接到标记点作为边。

参考：

1: Canny, J., A Computational Approach To Edge Detection, IEEE Trans. Pattern Analysis and Machine Intelligence, 8:679-714, 1986 DOI:10.1109/TPAMI.1986.4767851
2: William Green’s Canny tutorial https://en.wikipedia.org/wiki/Canny_edge_detector

例子：

>>> from skimage import feature
>>> rng = np.random.default_rng()
>>> # Generate noisy image of a square
>>> im = np.zeros((256, 256))
>>> im[64:-64, 64:-64] = 1
>>> im += 0.2 * rng.random(im.shape)
>>> # First trial with the Canny filter, with the default smoothing
>>> edges1 = feature.canny(im)
>>> # Increase the smoothing for better results
>>> edges2 = feature.canny(im, sigma=3)

相关用法

注：本文由纯净天空筛选整理自scikit-image.org大神的英文原创作品 skimage.feature.canny。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。

用法:

参数：

返回：

注意：

参考：

例子：