批量处理文件夹图片边缘检测（Canny/Laplacian/HOG）报错求助

问题描述 #

尝试对文件夹中的多张图片批量执行边缘检测，并应用Laplacian、HOG算子进行特征提取，但处理时触发错误。已将目录图片存入列表，执行Canny边缘检测时抛出断言错误。

原始代码 #

图片读取与预处理代码 #

import numpy as np
import cv2
import os
import matplotlib.pyplot as plt
def resize():
    data = []
    img_size = 244
    data_dir = r'C:\technocolab project2\testing'
    for img in os.listdir(data_dir):
        try:
            imgPath = os.path.join(data_dir,img)
            global images
            images = cv2.imread(imgPath, cv2.IMREAD_GRAYSCALE)
            global image_resized
            image_resized = cv2.resize(images,(img_size,img_size))
            data.append(image_resized)
        except:
            pass
    return data

data = resize()

for i in range(len(data)):
    data[i]=data[i].astype('float32')

数据集划分与边缘检测代码 #

training = data[:int(0.2*len(data))]
validation = data[int(0.2*len(data)):int(0.4*len(data))]
testing = data[int(0.4*len(data)):int(0.5*len(data))]

train_norm =[]
valid_norm = []
test_norm = []

for a in range(len(training)):
    train_norm.append(training[a]/255)
print(train_norm[0])

for b in range(len(validation)):
    valid_norm.append(validation[b]/255)
print(valid_norm[0])

for c in range(len(testing)):
    test_norm.append(testing[c]/255)
print(test_norm[0])

train_edge =  []
for e in range(len(train_norm)):
    train_edge.append(cv2.Canny(train_norm[e],90,300))

报错信息（翻译后） #

OpenCV(4.6.0) D:\a\opencv-python\opencv-python\opencv\modules\imgproc\src\canny.cpp:829: 错误: (-215:断言失败) _src.depth() == CV_8U in function 'cv::Canny'

错误原因 #

cv2.Canny函数要求输入图像的深度必须为CV_8U（8位无符号整数，像素值范围0-255），但代码中先将图像转换为float32类型，再归一化到0-1区间，传入Canny的是浮点型图像，不符合函数的输入要求。

解决方案 #

方案1：调整处理顺序（推荐） #

先对原始8位灰度图执行边缘检测，再按需做归一化处理，避免类型不匹配问题：

# 修改resize函数，移除不必要的global变量，保留uint8类型图像
def resize():
    data = []
    img_size = 244
    data_dir = r'C:\technocolab project2\testing'
    for img in os.listdir(data_dir):
        try:
            imgPath = os.path.join(data_dir,img)
            images = cv2.imread(imgPath, cv2.IMREAD_GRAYSCALE)
            image_resized = cv2.resize(images,(img_size,img_size))
            data.append(image_resized)  # 保留uint8类型
        except Exception as e:
            print(e)  # 打印错误信息，方便排查异常图片
    return data

data = resize()

# 数据集划分
training = data[:int(0.2*len(data))]
validation = data[int(0.2*len(data)):int(0.4*len(data))]
testing = data[int(0.4*len(data)):int(0.5*len(data))]

# 先执行边缘检测
train_edge = []
for img in training:
    train_edge.append(cv2.Canny(img, 90, 300))

# 再对原始图像和边缘检测结果做归一化（如果后续模型需要）
train_norm = [img / 255.0 for img in training]
train_edge_norm = [edge / 255.0 for edge in train_edge]

方案2：转换归一化后的图像类型 #

如果必须先做归一化，可将浮点型图像转换回8位无符号整数后再传入Canny：

# 针对已有的train_norm列表修改
train_edge = []
for img in train_norm:
    # 将0-1的浮点图像转换为0-255的8位整数图像
    img_8u = (img * 255).astype('uint8')
    train_edge.append(cv2.Canny(img_8u, 90, 300))

额外优化点 #

• 移除代码中不必要的global变量，避免全局变量污染，提升代码可读性。
• 异常处理时打印具体错误信息，方便排查无法读取的图片问题。

内容的提问来源于stack exchange，提问作者user19606377