-
一个基于 Python 和 cv2 / numpy / scipy / torch / paddle 等模块实现的 Canny 边缘检测器
-
本项目中包含如下三个版本的 Canny 边缘检测器：
-
Python：使用 numpy 模块的原生 python 实现的简易版本 Canny 边缘检测器，效果一般
-
Pytorch：基于 torch 深度学习框架实现的运用矩阵运算并行加速、GPU 计算加速的 Canny 边缘检测器，效果较好
-
Paddle：基于 paddle 深度学习框架实现，功能与结果与 torch 版本保持一致
-
-
项目总览：Jupyter Notebook
-
在线体验：
- 【Bug Fix】修复大批量数据的边缘检测报错的问题 @Beat-in-our-hearts #2
-
本项目大致的文件目录结构及功能如下：
│ requirements.txt # 依赖模块列表 │ │ CannyDetector.ipynb # Jupyter Notebook │ ├─tools # 脚本工具 │ │ │ ├─test_all.py # 总体测试脚本 │ │ │ ├─test_opencv.py # OpenCV 测试脚本 │ │ │ ├─test_paddle.py # Paddle 测试脚本 │ │ │ ├─test_python.py # Python 测试脚本 │ │ │ └─test_pytorch.py # Pytorch 测试脚本 │ ├─cannydet # Canny 边缘检测器代码 │ │ │ ├─paddle # Paddle 实现 │ │ │ ├─python # Python 实现 │ │ │ └─torch # Pytorch 实现 │ ├─results # 输出结果 │ │ │ ├─compare # 结果对比图像 │ │ │ ├─cv2 # OpenCV 输出图像 │ │ │ ├─paddle # Paddle 输出图像 │ │ │ ├─python # Python 输出图像 │ │ │ └─torch # Pytorch 输出图像 │ └─test_imgs # 测试图像
-
Canny 是一个经典的图像边缘检测算法，一般包含如下几个步骤：
-
使用高斯模糊对图像进行模糊降噪处理
-
基于图像梯度幅值进行图像边缘增强
-
非极大值抑制处理进行图像边缘细化
-
图像二值化和边缘连接得到最终的结果
-
-
多种实现对比的实测效果图如下：
-
测试平台：
CPU 显卡 内存 系统 AMD Ryzen 5 3600 Nvidia RTX 2060 8G Windows10 -
使用上图作为测试图片测试多个实现的耗时长短：
实现方式 耗时(s) Python 11.51 Pytorch CPU 0.13 Pytorch GPU 0.04 Paddle CPU 0.40 Paddle GPU 0.06 OpenCV 0.02
-
安装依赖
$ pip install -r requirements.txt
-
使用下面的命令运行测试脚本：
# 运行所有实现的测试脚本 $ python tools/test_all.py # 运行 OpenCV 实现的测试脚本 $ python tools/test_opencv.py # 运行 Python 实现的测试脚本 $ python tools/test_python.py # 运行 Pytorch 实现的测试脚本 $ python tools/test_pytorch.py # 运行 Paddle 实现的测试脚本 $ python tools/test_paddle.py
-
使用脚本对自定义图片进行边缘检测：
-
Python 实现：
import cv2 import numpy as np from cannydet.python import canny lower = 0.1 # 最小阈值 upper = 0.3 # 最大阈值 img_path = 'test_imgs/1-1.jpg' # 指定测试图像路径 res_path = 'test.png' # 指定结果保存路径 gray = cv2.imread(img_path, 0) # 读取灰度图像 edge = canny(gray, lower, upper) # Canny 图像边缘检测 edge = (edge * 255).astype(np.uint8) # 反归一化 cv2.imshow('result', edge) # 结果预览 cv2.waitKey(0) # 等待响应 cv2.imwrite(res_path, edge) # 结果保存
-
Pytorch 实现：
import cv2 import torch import numpy as np from cannydet.torch import CannyDetector lower = 2.5 # 最小阈值 upper = 5 # 最大阈值 img_path = 'test_imgs/1-1.jpg' # 指定测试图像路径 res_path = 'test.png' # 指定结果保存路径 img = cv2.imread(img_path, 1) # 读取彩色图像 img = np.transpose(img, [2, 1, 0]) / 255.0 # 转置 + 归一化 img_tensor = torch.from_numpy(img[None, ...]).float() # 转换为 Tensor canny = CannyDetector(device='cpu') # 初始化 Canny 检测器，可设置其运行的设备 edge = canny(img_tensor, lower, upper) # Canny 图像边缘检测 edge = np.squeeze(edge.cpu().numpy()) # 去除 Batch dim edge = np.transpose(edge, [1, 0]) # 图像转置 edge = (edge * 255).astype(np.uint8) # 反归一化 cv2.imshow('result', edge) # 结果预览 cv2.waitKey(0) # 等待响应 cv2.imwrite(res_path, edge) # 结果保存
-
Paddle 实现：
import cv2 import paddle import numpy as np from cannydet.paddle import CannyDetector lower = 2.5 # 最小阈值 upper = 5 # 最大阈值 img_path = 'test_imgs/1-1.jpg' # 指定测试图像路径 res_path = 'test.png' # 指定结果保存路径 img = cv2.imread(img_path, 1) # 读取彩色图像 img = np.transpose(img, [2, 1, 0]) / 255.0 # 转置 + 归一化 img_tensor = paddle.to_tensor(img[None, ...]).cast('float32') # 转换为 Tensor paddle.set_device('cpu') # 设置其运行的设备 canny = CannyDetector() # 初始化 Canny 检测器 edge = canny(img_tensor, lower, upper) # Canny 图像边缘检测 edge = np.squeeze(edge.numpy()) # 去除 Batch dim edge = np.transpose(edge, [1, 0]) # 图像转置 edge = (edge * 255).astype(np.uint8) # 反归一化 cv2.imshow('result', edge) # 结果预览 cv2.waitKey(0) # 等待响应 cv2.imwrite(res_path, edge) # 结果保存
-
OpenCV 实现：
import cv2 lower = 30 # 最小阈值 upper = 70 # 最大阈值 img_path = 'test_imgs/1-1.jpg' # 指定测试图像路径 res_path = 'test.png' # 指定结果保存路径 gray = cv2.imread(img_path, 0) # 读取灰度图像 edge = cv2.Canny(gray, lower, upper) # Canny 图像边缘检测 cv2.imshow('result', edge) # 结果预览 cv2.waitKey(0) # 等待响应 cv2.imwrite(res_path, edge) # 结果保存
-
-
参考论文：
@ARTICLE{4767851, author={Canny, John}, journal={IEEE Transactions on Pattern Analysis and Machine Intelligence}, title={A Computational Approach to Edge Detection}, year={1986}, volume={PAMI-8}, number={6}, pages={679-698}, doi={10.1109/TPAMI.1986.4767851}} -
参考项目：
-
参考文章：