Python skimage.feature.canny用法及代碼示例

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 算法對圖像進行邊過濾。

參數：

image：二維數組: 灰度輸入圖像以檢測邊；可以是任何 dtype。
sigma：浮點數，可選: 高斯濾波器的標準偏差。
low_threshold：浮點數，可選: 滯後閾值(鏈接邊)的下限。如果沒有，low_threshold 設置為 dtype 最大值的 10%。
high_threshold：浮點數，可選: 滯後閾值的上限(鏈接邊)。如果沒有，high_threshold 設置為 dtype 最大值的 20%。
mask：數組，dtype=bool，可選: 將 Canny 的應用限製在某個區域的掩碼。
use_quantiles：布爾型，可選: 如果 True 則將 low_threshold 和 high_threshold 視為邊幅度圖像的分位數，而不是絕對邊幅度值。如果 True 則閾值必須在 [0, 1] 範圍內。
mode：字符串，{‘reflect’, ‘constant’, ‘nearest’, ‘mirror’, ‘wrap’}: mode 參數確定在高斯濾波期間如何處理數組邊界，其中 cval 是模式等於 ‘constant’ 時的值。
cval：浮點數，可選: 如果模式為‘constant’，則填充過去輸入邊的值。

output：二維數組(圖像): 二元邊圖。

注意：

該算法的步驟如下：

使用具有sigma 寬度的高斯平滑圖像。
應用水平和垂直 Sobel 算子來獲得圖像中的漸變。邊強度是梯度的範數。
將潛在邊細化到 1 像素寬的曲線。首先，在每個點找到邊的法線。這是通過查看X-Sobel 和Y-Sobel 的符號和相對幅度來完成的，將點分為4 類：水平、垂直、對角線和對角線。然後查看正常和反向方向，看看其中任何一個方向的值是否大於所討論的點。使用插值來獲得混合點，而不是選擇最接近法線的點。
執行滯後閾值處理：首先將高於高閾值的所有點標記為邊。然後遞歸地將任何高於低閾值的點標記為 8 連接到標記點作為邊。

參考：

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)

相關用法

注：本文由純淨天空篩選整理自scikit-image.org大神的英文原創作品 skimage.feature.canny。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。

用法:

參數：

返回：

注意：

參考：

例子：