[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：

1. # 3. 边缘检测（自适应）
   
2. def edge_detection(images):
   
3.     edges = []
   
4.     for image in images:
   
5.         # 将图像转换为灰度图像
   
6.         gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
   
7.         
   
8.         # 自适应高斯阈值法
   
9.         edges_image = cv2.adaptiveThreshold(gray_image, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)
   
10.         
    
11.         edges.append(edges_image)
    
12.     return edges
    

复制代码

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：

1. # 3. 边缘检测（自适应）
   
2. def edge_detection(images):
   
3.     edges = []
   
4.     for image in images:
   
5.         # 将图像转换为灰度图像
   
6.         gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
   
7.         
   
8.         # 自适应高斯阈值法
   
9.         edges_image = cv2.adaptiveThreshold(gray_image, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)
   
10.         
    
11.         edges.append(edges_image)
    
12.     return edges
    

复制代码

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：

1. def edge_detection(images):
   
2.     edges = []
   
3.     for image in images:
   
4.         # 将图像转为灰度图像
   
5.         gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
   
6.         
   
7.         # 使用自适应阈值方法进行边缘检测
   
8.         edges_image = cv2.adaptiveThreshold(gray_image, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2)
   
9.         
   
10.         edges.append(edges_image)
    
11.     return edges
    

复制代码

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。

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

复制代码

完整修改后的代码如下：

1. from tifffile import imread, imwrite
2. import cv2
3. import numpy as np
5. # 1. 分割遥感影像为多块图幅
6. def split_image(image, num_rows, num_cols):
7.     height, width = image.shape[:2]
8.     row_height = height // num_rows
9.     col_width = width // num_cols
10.     images = []
11.     for r in range(num_rows):
12.         for c in range(num_cols):
13.             start_row = r * row_height
14.             end_row = start_row + row_height
15.             start_col = c * col_width
16.             end_col = start_col + col_width
17.             sub_image = image[start_row:end_row, start_col:end_col]
18.             images.append(sub_image)
19.     return images
21. # 2. 分别对每块图幅转为灰度图像，并应用直方图均衡化
22. def convert_to_grayscale(images):
23.     grayscale_images = []
24.     for image in images:
25.         gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
26.         enhanced_image = cv2.equalizeHist(gray_image)  # 直方图均衡化增强对比度
27.         grayscale_images.append(enhanced_image)
28.     return grayscale_images
30. # 修改的部分：自适应边缘检测函数
31. def adaptive_edge_detection(images):
32.     edges = []
33.     for image in images:
34.         # 自适应阈值边缘检测方法，这里使用自适应高斯阈值方法
35.         gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
36.         blurred_image = cv2.GaussianBlur(gray_image, (5, 5), 0)
37.         edges_image = cv2.adaptiveThreshold(blurred_image, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)
38.         edges.append(edges_image)
39.     return edges
41. # 4. 消除噪声干扰
42. def denoise(images):
43.     denoised_images = []
44.     for image in images:
45.         # 使用其他滤波方法，这里以高斯滤波为例
46.         denoised_image = cv2.GaussianBlur(image, (5, 5), 0)
47.         denoised_images.append(denoised_image)
48.     return denoised_images
50. # 5. 将各个图幅合并为一个图幅
51. def merge_images(images, num_rows, num_cols):
52.     row_height, col_width = images[0].shape[:2]
53.     merged_image = np.zeros((row_height * num_rows, col_width * num_cols), dtype=np.uint8)
54.     i = 0
55.     for r in range(num_rows):
56.         for c in range(num_cols):
57.             start_row = r * row_height
58.             end_row = start_row + row_height
59.             start_col = c * col_width
60.             end_col = start_col + col_width
61.             merged_image[start_row:end_row, start_col:end_col] = images[i]
62.             i += 1
63.     return merged_image
65. # 6. 导出结果
66. def export_result(image, filename):
67.     cv2.imwrite(filename, image)
69. # 加载遥感影像
70. image = imread(r"F:\duneline\dune\dune.tif")
72. # 1. 分割遥感影像为多块图幅
73. num_rows = 7
74. num_cols = 11
75. sub_images = split_image(image, num_rows, num_cols)
77. # 2. 分别对每块图幅转为灰度图像
78. gray_images = convert_to_grayscale(sub_images)
80. # 3. 使用自适应边缘检测方法代替Canny算法
81. adaptive_edges = adaptive_edge_detection(gray_images)
83. # 4. 消除噪声干扰
84. denoised_edges = denoise(adaptive_edges)
86. # 5. 将各个图幅合并为一个图幅
87. merged_image = merge_images(denoised_edges, num_rows, num_cols)
89. # 6. 导出结果
90. export_result(merged_image, 'path_to_output2.jpg')

复制代码

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!!!