本文实例为大家分享了python实现图像边缘检测的具体代码，供大家参考，具体内容如下
任务描述背景
边缘检测是数字图像处理领域的一个常用技术，被广泛应用于图像特征提取、目标识别、计算机视觉等领域。边缘可以理解为像素值发生跃迁的地方，而边缘检测就是要找到这样的地方。如下图所示，对左图进行边缘检测，结果为右图。
基于卷积运算可实现边缘检测，对图像 1（设分辨率为 w×h）进行边缘检测的方法如下：
1）将图像 1 转换成灰度图，仍称为图像 1；
2）新建图像 2，图像 2 为灰度图，分辨率与图像 1 相同；
3）对于图像 1 中坐标为 (x,y) 的像素 p，求 p 的卷积 c，若 c>0，则将图像 2 中 (x,y) 处的像素值设置成 0（即黑色），否则设置成 255（即白色），其中，1≤x≤w−2、1≤y≤h−2；
4）保存图像 2，图像 2即存放了检测结果。
其中，第 3 步要计算 (x,y) 处像素 p 的卷积 c，计算方法如下：
1）选择一个卷积核（本关选择的卷积核是一个如上左图所示的 3×3 矩阵）；
2）选取以 p 为中心的 3×3 图像区域，如上右图所示，每个小方格代表一个像素，数字表示像素颜色值，像素 p 的坐标为 (x,y)，则选取的图像区域为黄色底纹区域；
3）对于步骤 1 中选择的 3×3 卷积核和步骤 2 中选取的 3×3 图像区域，将它们对应位置的元素相乘，然后再求和，即得到像素 p 的卷积 c，例如，上图中的像素 p 的卷积为：
c=1×11+1×12+1×13+1×14−8×15+1×101+1×16+1×102+1×103=252
任务
本关任务是补全程序，使其能进行边缘检测。本关程序与上关结构类似，可参考上关。
相关知识
略。
编程要求
在 Begin-End 区间补全代码，具体要求见上。
测试说明
测试集正确结果如下：
(1 , 1 ) -> 0
(34 , 27) -> -537
(117, 78) -> -576
(242, 97) -> 528
(276, 61) -> 0
你的图像与正确答案相同！
说明如下：
1）系统会调用你编写的convolute函数，并以“像素坐标 -> 卷积”的格式打印结果，如测试集第 1 行的(1 , 1 ) -> 0表示：(1,1) 处像素的卷积为0；
2）此外，系统会检查程序生成的图像文件，若正确则在测试集最后一行打印你的图像与正确答案相同！。
开始你的任务吧，祝你成功！
from PIL import Image
# 求图像img中(x,y)处像素的卷积c
def convolute(img, x, y):
########## Begin ##########
juanjihe = [1,1,1,1,-8,1,1,1,1]
L = []
xl = [x - 1, x, x + 1]
yl = [y - 1, y, y + 1]
for j in yl:
for i in xl:
gray = img.getpixel((i, j)) # 取出灰度值
L.append(gray)
c = 0
for i,j in zip(juanjihe,L):
c = c + i*j
########## End ##########
return c
# 对图像文件1进行边缘检测，并将结果保存为图像文件2
# 图像文件1和2的路径分别为path1和path2
def detectEdge(path1, path2):
img1 = Image.open(path1) # 图像1
img1 = img1.convert('L') # 将图像1转换为灰度图
w, h = img1.size
img2 = Image.new('L', (w, h), 'white') # 图像2
########## Begin ##########
##此部分功能：依次求img1中每个像素的卷积c，再将c放到img2的对应位置
for x in range(1, w - 1):
for y in range(1, h - 1):
c = convolute(img1, x, y) # 计算卷积c
if c>0:
s=0
else:
s=255
img2.putpixel((x, y), s) # 再将c放到img2的对应位置
########## End ##########
img2.save(path2)
path1 = 'step5.bmp' # 原始图像
path2 = 'step5_2.bmp' # 检测到的边缘图像
detectEdge(path1, path2)
