python opencv 网络进行分类

算法步骤：

（1） 高斯模糊，去噪；

（2）灰度转换

（3）计算梯度

（4）非最大信号压制；

（5）高低阈值的过滤，双阈值的办法，输出二值图像，提取边缘 

 

其中，（4）对梯度幅值进行非极大值抑制

        图像梯度幅值矩阵中的元素值越大，说明图像中该点的梯度值越大，但这不不能说明该点就是边缘（这仅仅是属于图像增强的过程）。在Canny算法中，非极大值抑制是进行边缘检测的重要步骤，通俗意义上是指寻找像素点局部最大值，将非极大值点所对应的幅值置为0，这样可以剔除掉一大部分非边缘的点（这是本人的理解）。

 

图1 非极大值抑制原理

        根据图1 可知，要进行非极大值抑制，就首先要确定像素点C的灰度值在其8值邻域内是否为最大。图1中蓝色的线条方向为C点的梯度方向，这样就可以确定其局部的最大值肯定分布在这条线上，也即出了C点外，梯度方向的交点dTmp1和dTmp2这两个点的值也可能会是局部最大值。因此，判断C点灰度与这两个点灰度大小即可判断C点是否为其邻域内的局部最大灰度点。如果经过判断，C点灰度值小于这两个点中的任一个，那就说明C点不是局部极大值，那么则可以排除C点为边缘。这就是非极大值抑制的工作原理。
实际上，我们只能得到C点邻域的8个点的值，而dTmp1和dTmp2并不在其中，要得到这两个值就需要对该两个点两端的已知灰度进行线性插值，也即根据图1中的g1和g2对dTmp1进行插值，根据g3和g4对dTmp2进行插值，这要用到其梯度方向，这是上文Canny算法中要求解梯度方向矩阵Theta的原因。

 

代码如下：

import numpy as np
import cv2 as cv

def edge_demo(image):
    blurred=cv.GaussianBlur(image,(3,3),0) #step1,降低噪声
    gray=cv.cvtColor(blurred,cv.COLOR_BGR2GRAY) #step2
    #step3， canny 算法对噪声敏感
    edge_out=cv.Canny(gray,50,150) #3:1
    cv.imshow('Canny edge',edge_out)

src=cv.imread('D:/opencv/meinv.jpg')
cv.imshow('src',src)
edge_demo(src)
cv.waitKey(0)
cv.destroyAllWindows()