# Canny 邊緣檢測是一個多步驟的演算法。


# Canny邊緣檢測： 
# OpenCV-Python中Canny函式的原型為： 
# edge = cv2.Canny(image, threshold1, threshold2[, edges[, apertureSize[, L2gradient ]]]) 
 
# 必要引數： 
# 第一個引數是需要處理的原影象，該影象必須為單通道的灰度圖； 
# 第二個引數是閾值1； 
# 第三個引數是閾值2。 
 
# 其中較大的閾值2用於檢測影象中明顯的邊緣，但一般情況下檢測的效果不會那麼完美 
# ，邊緣檢測出來是斷斷續續的。所以這時候用較小的第一個閾 
 

# 值用於將這些間斷的邊緣連線起來。 
 
# 可選引數中apertureSize就是Sobel運算元的大小。而L2gradient引數是一個布林值， 
# 如果為真，則使用更精確的L2範數進行計算（即兩個方向的倒數的平方和再開放） 
# ，否則使用L1範數（直接將兩個方向導數的絕對值相加）。 
 
# 函式返回一副二值圖，其中包含檢測出的邊緣。 

import cv2
import numpy as np
from matplotlib import pyplot as plt

img = cv2.imread('touxiang.jpg',0)
# img=cv2.GaussianBlur(img,(3,3),0) 
 

edges = cv2.Canny(img,100,250)

cv2.imshow('edges',edges)
cv2.waitKey(0)
cv2.destroyAllWindows()

''''' 
Canny邊緣檢測：優化的程式 帶進度條的
'''  
import cv2  
import numpy as np   
  
def CannyThreshold(lowThreshold):    
    detected_edges = cv2.GaussianBlur(gray,(3,3),0) #高斯濾波   
    detected_edges = cv2.Canny(
 
detected_edges,  
            lowThreshold,  
            lowThreshold*ratio,  
            apertureSize = kernel_size)  #邊緣檢測  
  
     # just add some colours to edges from original image.    
    dst = cv2.bitwise_and(img,img,mask = detected_edges)  #用原始顏色新增到檢測的邊緣上  
    cv2.imshow('canny demo',dst)    
    
  
lowThreshold = 0    
max_lowThreshold = 100    
ratio = 3    
kernel_size = 3    
    
img = cv2.imread('touxiang.jpg')    
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)  #轉換彩色影象為灰度圖  
    
cv2.namedWindow('canny demo')    
    
#設定調節槓,  
''''' 
下面是第二個函式，cv2.createTrackbar() 
 
共有5個引數，其實這五個引數看變數名就大概能知道是什麼意思了 
 
第一個引數，是這個trackbar物件的名字 
 
第二個引數，是這個trackbar物件所在面板的名字 
 
第三個引數，是這個trackbar的預設值,也是調節的物件 
 
第四個引數，是這個trackbar上調節的範圍(0~count) 
 
第五個引數，是調節trackbar時呼叫的回撥函式名 
'''  
cv2.createTrackbar('Min threshold','canny demo',lowThreshold, max_lowThreshold, CannyThreshold)    
    
CannyThreshold(0)  # initialization    
if cv2.waitKey(0) == 27:  #wait for ESC key to exit cv2  
    cv2.destroyAllWindows()