[已解决]更改边缘检测部分函数代码，使检测函数为自适应检测。

Justheartyoung

代码：
from tifffile import imread, imwrite
import cv2
import numpy as np
# 1. 分割遥感影像为多块图幅
def split_image(image, num_rows, num_cols):
    height, width = image.shape[:2]
    row_height = height // num_rows
    col_width = width // num_cols
    images = []
    for r in range(num_rows):
        for c in range(num_cols):
            start_row = r * row_height
            end_row = start_row + row_height
            start_col = c * col_width
            end_col = start_col + col_width
            sub_image = image[start_row:end_row, start_col:end_col]
            images.append(sub_image)
    return images

#2. 分别对每块图幅转为灰度图像，并应用直方图均衡化
def convert_to_grayscale(images):
    grayscale_images = []
    for image in images:
        gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
        enhanced_image = cv2.equalizeHist(gray_image)  # 直方图均衡化增强对比度
        grayscale_images.append(enhanced_image)
    return grayscale_images

#3.边缘检测

def edge_detection(images):
    edges = []
    for image in images:
        # 使用其他边缘检测方法，这里以Sobel算子为例
        gradient_x = cv2.Sobel(image, cv2.CV_64F, 1, 0, ksize=3)
        gradient_y = cv2.Sobel(image, cv2.CV_64F, 0, 1, ksize=3)
        edges_image = cv2.magnitude(gradient_x, gradient_y)
        edges.append(edges_image)
    return edges

# 4. 消除噪声干扰
def denoise(images):
    denoised_images = []
    for image in images:
        # 使用其他滤波方法，这里以高斯滤波为例
        denoised_image = cv2.GaussianBlur(image, (5, 5), 0)
        denoised_images.append(denoised_image)
    return denoised_images
# 5. 将各个图幅合并为一个图幅
def merge_images(images, num_rows, num_cols):
    row_height, col_width = images[0].shape[:2]
    merged_image = np.zeros((row_height * num_rows, col_width * num_cols), dtype=np.uint8)
    i = 0
    for r in range(num_rows):
        for c in range(num_cols):
            start_row = r * row_height
            end_row = start_row + row_height
            start_col = c * col_width
            end_col = start_col + col_width
            merged_image[start_row:end_row, start_col:end_col] = images[i]
            i += 1
    return merged_image
# 6. 导出结果
def export_result(image, filename):
    cv2.imwrite(filename, image)
# 加载遥感影像
image = imread(r"F:\duneline\dune\dune.tif")
# 1. 分割遥感影像为多块图幅
num_rows = 7
num_cols = 11
sub_images = split_image(image, num_rows, num_cols)
# 2. 分别对每块图幅转为灰度图像
gray_images = convert_to_grayscale(sub_images)
# 3. 使用其他边缘检测方法代替Canny算法
edges = edge_detection(gray_images)
# 4. 消除噪声干扰
denoised_edges = denoise(edges)
# 5. 将各个图幅合并为一个图幅
merged_image = merge_images(denoised_edges, num_rows, num_cols)
# 6. 导出结果
export_result(merged_image, 'path_to_output2.jpg')

最佳答案

月排行榜 / 总排行榜

陶远航

2023-8-8 21:06:33

要使边缘检测函数为自适应检测，您可以使用自适应阈值方法，如自适应高斯阈值法。

以下是修改后的代码：

# 3. 边缘检测（自适应）
def edge_detection(images):
    edges = []
    for image in images:
        # 将图像转换为灰度图像
        gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
        
        # 自适应高斯阈值法
        edges_image = cv2.adaptiveThreshold(gray_image, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)
        
        edges.append(edges_image)
    return edges

在这里，我们使用cv2.adaptiveThreshold()函数来应用自适应高斯阈值法，生成二值化的边缘图像。

希望这个修改能满足您的需求。如果还有其他问题，请随时提问。
如果问题已经解决，请设置最佳答案

跳转到最佳答案楼层

陶远航

要使边缘检测函数为自适应检测，您可以使用自适应阈值方法，如自适应高斯阈值法。

以下是修改后的代码：

# 3. 边缘检测（自适应）
def edge_detection(images):
    edges = []
    for image in images:
        # 将图像转换为灰度图像
        gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
        
        # 自适应高斯阈值法
        edges_image = cv2.adaptiveThreshold(gray_image, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)
        
        edges.append(edges_image)
    return edges

在这里，我们使用cv2.adaptiveThreshold()函数来应用自适应高斯阈值法，生成二值化的边缘图像。

希望这个修改能满足您的需求。如果还有其他问题，请随时提问。
如果问题已经解决，请设置最佳答案

isdkz

要使边缘检测函数为自适应检测，可以使用自适应阈值方法替代固定阈值方法。以下是修改后的代码：

def edge_detection(images):
    edges = []
    for image in images:
        # 将图像转为灰度图像
        gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
        
        # 使用自适应阈值方法进行边缘检测
        edges_image = cv2.adaptiveThreshold(gray_image, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2)
        
        edges.append(edges_image)
    return edges

在这个修改后的代码中，我们首先将图像转为灰度图像。然后，使用 cv2.adaptiveThreshold 函数进行自适应阈值处理。这个函数根据图像的局部区域计算阈值，从而实现自适应的边缘检测。 cv2.ADAPTIVE_THRESH_MEAN_C 参数表示使用局部区域的均值作为阈值， cv2.THRESH_BINARY 参数表示将大于阈值的像素设置为白色，小于阈值的像素设置为黑色。最后，将处理后的图像添加到结果列表中。

请注意，这个修改后的代码仅仅修改了边缘检测部分，其他部分保持不变。

学习编程中的Ben

修改边缘检测部分函数代码，使其实现自适应边缘检测。

import cv2import numpy as npdef adaptive_edge_detection(images):    edges = []    for image in images:        # 自适应阈值边缘检测方法，这里使用自适应高斯阈值方法        gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)        blurred_image = cv2.GaussianBlur(gray_image, (5, 5), 0)        edges_image = cv2.adaptiveThreshold(blurred_image, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)        edges.append(edges_image)    return edges# 调用自适应边缘检测函数进行检测adaptive_edges = adaptive_edge_detection(gray_images)# 其他代码保持不变

完整修改后的代码如下：

from tifffile import imread, imwriteimport cv2import numpy as np# 1. 分割遥感影像为多块图幅def split_image(image, num_rows, num_cols):    height, width = image.shape[:2]    row_height = height // num_rows    col_width = width // num_cols    images = []    for r in range(num_rows):        for c in range(num_cols):            start_row = r * row_height            end_row = start_row + row_height            start_col = c * col_width            end_col = start_col + col_width            sub_image = image[start_row:end_row, start_col:end_col]            images.append(sub_image)    return images# 2. 分别对每块图幅转为灰度图像，并应用直方图均衡化def convert_to_grayscale(images):    grayscale_images = []    for image in images:        gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)        enhanced_image = cv2.equalizeHist(gray_image)  # 直方图均衡化增强对比度        grayscale_images.append(enhanced_image)    return grayscale_images# 修改的部分：自适应边缘检测函数def adaptive_edge_detection(images):    edges = []    for image in images:        # 自适应阈值边缘检测方法，这里使用自适应高斯阈值方法        gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)        blurred_image = cv2.GaussianBlur(gray_image, (5, 5), 0)        edges_image = cv2.adaptiveThreshold(blurred_image, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)        edges.append(edges_image)    return edges# 4. 消除噪声干扰def denoise(images):    denoised_images = []    for image in images:        # 使用其他滤波方法，这里以高斯滤波为例        denoised_image = cv2.GaussianBlur(image, (5, 5), 0)        denoised_images.append(denoised_image)    return denoised_images# 5. 将各个图幅合并为一个图幅def merge_images(images, num_rows, num_cols):    row_height, col_width = images[0].shape[:2]    merged_image = np.zeros((row_height * num_rows, col_width * num_cols), dtype=np.uint8)    i = 0    for r in range(num_rows):        for c in range(num_cols):            start_row = r * row_height            end_row = start_row + row_height            start_col = c * col_width            end_col = start_col + col_width            merged_image[start_row:end_row, start_col:end_col] = images[i]            i += 1    return merged_image# 6. 导出结果def export_result(image, filename):    cv2.imwrite(filename, image)# 加载遥感影像image = imread(r"F:\duneline\dune\dune.tif")# 1. 分割遥感影像为多块图幅num_rows = 7num_cols = 11sub_images = split_image(image, num_rows, num_cols)# 2. 分别对每块图幅转为灰度图像gray_images = convert_to_grayscale(sub_images)# 3. 使用自适应边缘检测方法代替Canny算法adaptive_edges = adaptive_edge_detection(gray_images)# 4. 消除噪声干扰denoised_edges = denoise(adaptive_edges)# 5. 将各个图幅合并为一个图幅merged_image = merge_images(denoised_edges, num_rows, num_cols)# 6. 导出结果export_result(merged_image, 'path_to_output2.jpg')

请根据你的需求将“path_to_output2.jpg”替换为实际的输出路径。

如果回答对你有帮助，请给我一个最佳答案！

学习编程中的Ben

给个最佳答案呗!求你了!!!