建筑图像提取线稿

1、在使用深度学习模型前，我会习惯先检查检查 GPU（CUDA）是否可用。
这段主要是检查 GPU（CUDA）是否可用，以及使用 OpenCV 对一张图像进行边缘检测并保存结果。

import torch print(torch.cuda.is_available()) # 如果True说明GPU可用

• import torch：导入 PyTorch 深度学习框架。

• torch.cuda.is_available()：返回一个布尔值（True或False），表示当前环境中的 CUDA（NVIDIA GPU 加速）是否可用。

• print(...)：将结果打印到控制台，用于快速确认是否可以使用 GPU 进行计算（尽管后续代码并未使用 PyTorch 做任何计算）。

2、相关库导入

import cv2 import numpy as np

• import cv2：导入 OpenCV 库，用于图像处理（读取、转换、边缘检测等）。

• import numpy as np：导入 NumPy，OpenCV 读取的图像本质上就是 NumPy 数组，后续操作依赖它。

3、读取图像

img = cv2.imread("D:\pycharm\project\cpntrolnet/sist.jpg")

• cv2.imread()：从指定路径读取图像文件。路径字符串中混合使用了反斜杠\和正斜杠/。

  • ⚠️潜在问题：在 Windows 系统中，反斜杠\在字符串中是转义字符，例如\p可能被解释为特殊转义序列。虽然本例中\p、\c不是标准转义符（Python 会将其当作普通反斜杠加字母处理），但仍建议使用原始字符串r"D:\pycharm\..."或统一使用正斜杠/（OpenCV 也支持）以避免意外错误。

• 若文件不存在或路径错误，img将为None，后续操作会抛出异常。

4、图像处理

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) edges = cv2.Canny(gray, 100, 200)

• cv2.cvtColor()：转换图像的颜色空间。

• cv2.COLOR_BGR2GRAY：将 BGR 彩色图像转换为灰度图（单通道）。OpenCV 默认读取的图像通道顺序为 BGR（而非常见的 RGB）。

• cv2.Canny()：Canny 边缘检测算法。

• gray：输入的灰度图像。

• 100和200：滞后阈值中的低阈值和高阈值。梯度值高于 200 的像素被保留为强边缘，低于 100 的被抑制，介于两者之间的若与强边缘相连则保留。

• 返回一个二值图像（边缘为白色，背景为黑色）。

5、结果保存

cv2.imwrite("sketch.png", edges)

• cv2.imwrite()：将边缘检测结果保存为 PNG 图像文件（位于当前工作目录下，文件名为sketch.png）。成功保存时返回True，否则返回False（如因权限、路径问题等）。

总结：这段代码先检查 GPU 是否可用（尽管后续没用 GPU），然后从指定路径读取一张图片，转为灰度图，用 Canny 算子提取边缘，最后将边缘图像保存为sketch.png。若路径或文件有问题，程序会因img为None而报错。建议修正图像路径的书写方式并添加异常处理（例如判断img是否为空）

输入图像：

输出结果：