import cv2
import matplotlib.pyplot as plt

# 以灰度模式加载图像
# 将 'your_image.jpg' 替换为你的图像文件的实际路径
image_path = 'your_image.jpg'
gray_image = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)

# 检查图像是否成功加载
if gray_image is None:
    print(f"错误：无法从 {image_path} 加载图像")
    # 退出或进行适当的错误处理
else:
    print("图像加载成功。")
    # 你可能想在这里显示原始灰度图像（可选）
    # plt.imshow(gray_image, cmap='gray')
    # plt.title('原始灰度图像')
    # plt.axis('off') # 隐藏坐标轴刻度
    # plt.show()

请记住将'your_image.jpg'替换为您所选图像的文件名。cv2.IMREAD_GRAYSCALE标志告诉OpenCV在加载时将图像转换为单通道（灰度）。我们还添加了一个检查，以确保图像正确加载，这是一个好的做法。

应用Canny边缘检测器

加载灰度图像后，使用cv2.Canny()函数在OpenCV中应用Canny边缘检测器是直接的。我们需要提供的主要参数是：

image：输入灰度图像（如我们的gray_image）。
threshold1：滞后过程的较低阈值。
threshold2：滞后过程的较高阈值。

如前所述，Canny算法使用这两个阈值。强度梯度高于threshold2的边缘被认为是确定边缘。低于threshold1的边缘被舍弃。介于两个阈值之间的边缘只有在连接到确定边缘时才会被保留。

选择这些阈值通常取决于应用，可能需要一些尝试。让我们从一些常用值开始，例如100和200。

# 应用Canny边缘检测器
# 使用 threshold1=100 和 threshold2=200 作为起始值
edges = cv2.Canny(gray_image, 100, 200)

# 变量 'edges' 现在包含边缘图图像
# 这是一个二值图像，其中白色像素表示检测到的边缘

输出的edges是一个二值图像（只包含黑白像素），其中白色像素表示检测到的边缘位置。

显示结果

现在，让我们使用Matplotlib并排显示原始灰度图像和生成的边缘图，以便进行比较。

import cv2
import matplotlib.pyplot as plt

# --- 加载图像（同前） ---
image_path = 'your_image.jpg' # 确保路径正确
gray_image = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)

if gray_image is None:
    print(f"错误：无法从 {image_path} 加载图像")
else:
    # --- 应用Canny（同前） ---
    threshold1 = 100
    threshold2 = 200
    edges = cv2.Canny(gray_image, threshold1, threshold2)

    # --- 显示结果 ---
    plt.figure(figsize=(10, 5)) # 设置图表大小

    # 显示原始灰度图像
    plt.subplot(1, 2, 1) # 1行，2列，图1
    plt.imshow(gray_image, cmap='gray')
    plt.title('原始灰度图像')
    plt.axis('off') # 隐藏坐标轴刻度和标签

    # 显示Canny边缘图
    plt.subplot(1, 2, 2) # 1行，2列，图2
    plt.imshow(edges, cmap='gray')
    plt.title(f'Canny边缘 (T1={threshold1}, T2={threshold2})')
    plt.axis('off') # 隐藏坐标轴刻度和标签

    plt.tight_layout() # 调整布局以防止重叠
    plt.show()

运行此代码后，您应该会看到两张图像：您的原始灰度输入图像和Canny边缘图。边缘图应突出显示图像中的轮廓和显著的强度变化。

尝试阈值

边缘检测的质量很大程度上取决于threshold1和threshold2的值。

降低阈值（例如，50, 150）：这通常会检测到更多边缘，包括较弱的边缘。但是，它也可能拾取更多噪声和不那么重要的细节，使边缘图看起来杂乱。
提高阈值（例如，150, 250）：这将导致检测到的边缘数量减少，只保留较强的边缘。这对于减少噪声可能有用，但可能会导致您丢失更细微的边缘细节或较弱物体边界的一部分。

尝试修改代码中的threshold1和threshold2值并重新运行。观察生成的边缘图如何变化。找到“最佳”阈值通常需要尝试几个值，直到获得适合该图像特定目标的结果。对于所有图像，没有一套完美无缺的阈值。

这个动手实践练习展示了如何应用一种基本的特征检测方法。生成的边缘图简化了图像，保留了重要的结构信息，同时丢弃了不相关的细节。这种边缘信息对于许多后续的计算机视觉任务来说是宝贵的输入。

这部分内容有帮助吗？