PyImgSearch-博客中文翻译-十二-
PyImgSearch 博客中文翻译（十二）
利用 Python 和 OpenCV 实现零参数自动 Canny 边缘检测
今天我有一个小技巧给你，直接来自 PyImageSearch 库。
这个技巧真的很棒——在许多情况下，它 完全 减轻了 为你精明的边缘检测器调整参数的需要。但在我们开始之前，让我们先讨论一下 Canny 边缘检测器。
OpenCV 和 Python 版本:
这个例子将运行在 Python 2.7/Python 3.4+ 和 OpenCV 2.4.X/OpenCV 3.0+ 上。
精明的边缘检测器
在以前的帖子中，我们已经多次使用了 Canny 边缘检测器。我们用它构建了一个超棒的移动文档扫描仪，我们还用它让在一张照片中找到一个游戏机屏幕，这只是两个例子。
Canny 边缘检测器是由 John F. Canny 在 1986 年开发的。它至今仍被广泛使用，是图像处理中默认的边缘检测器之一。
Canny 边缘检测算法可以分为 5 个步骤:
- 步骤 1: 使用高斯滤波器平滑图像，去除高频噪声。
- 步骤 2: 计算图像的梯度强度表示。
- 步骤 3: 应用非最大值抑制来消除对边缘检测的“错误”响应。
- 步骤 4: 使用梯度值的上下边界应用阈值处理。
- 步骤 5: 通过抑制不与强边缘相连的弱边缘，使用滞后来跟踪边缘。
如果您熟悉 Canny 边缘检测器的 OpenCV 实现，您会知道函数签名如下所示:
cv2.canny(图像，下，上)
其中image是我们想要检测边缘的图像；并且lower和upper分别是步骤 4 的整数阈值。
问题变成了确定这些下限和上限。
阈值的最佳值是多少？
当您处理在不同光照条件下拍摄的包含不同内容的多幅图像时，这个问题尤为重要。
在这篇博文的剩余部分，我将向你展示一个依赖于 基本统计 的小技巧，你可以应用它来消除对谨慎边缘检测的阈值的手动调整。
这个技巧可以节省你调整参数的时间——而且在应用这个函数后，你仍然可以得到一个漂亮的边缘图。
要了解有关这种零参数、自动 Canny 边缘检测技巧的更多信息，请继续阅读。
利用 Python 和 OpenCV 实现零参数自动 Canny 边缘检测
让我们开始吧。在您最喜欢的代码编辑器中打开一个新文件，命名为auto_canny.py，让我们开始吧:
# import the necessary packages
import numpy as np
import argparse
import glob
import cv2
def auto_canny(image, sigma=0.33):
# compute the median of the single channel pixel intensities
v = np.median(image)
# apply automatic Canny edge detection using the computed median
lower = int(max(0, (1.0 - sigma) * v))
upper = int(min(255, (1.0 + sigma) * v))
edged = cv2.Canny(image, lower, upper)
# return the edged image
return edged
我们要做的第一件事是导入我们需要的包。我们将使用 NumPy 进行数值运算，argparse解析命令行参数，glob从磁盘获取图像路径，cv2用于 OpenCV 绑定。
然后我们定义auto_canny，我们在线 7 上的自动 Canny 边缘检测功能。这个函数需要一个参数image，它是我们想要检测图像的单通道图像。可选参数sigma可用于改变基于简单统计确定的百分比阈值。
第 9 行处理图像中像素强度的中值计算。
然后，我们取这个中间值，并在第 12 行和第 13 行上构造两个阈值lower和upper。这些阈值是基于由sigma参数控制的+/-百分比构建的。
较低的值sigma表示较紧的阈值，而较大的值sigma给出较宽的阈值。通常，您不必经常更改这个sigma值。只需选择一个默认的sigma值，并将其应用于整个图像数据集。
注意:在实践中，sigma=0.33在我处理的大部分数据集上往往给出好的结果，所以我选择提供 33%作为默认 sigma 值。
现在我们已经有了我们的下限和上限，然后我们在行 14 上应用 Canny 边缘检测器，并将其返回到行 17 上的调用函数。
让我们继续看这个例子，看看如何将它应用到我们的图像中:
# construct the argument parse and parse the arguments
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--images", required=True,
help="path to input dataset of images")
args = vars(ap.parse_args())
# loop over the images
for imagePath in glob.glob(args["images"] + "/*.jpg"):
# load the image, convert it to grayscale, and blur it slightly
image = cv2.imread(imagePath)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
blurred = cv2.GaussianBlur(gray, (3, 3), 0)
# apply Canny edge detection using a wide threshold, tight
# threshold, and automatically determined threshold
wide = cv2.Canny(blurred, 10, 200)
tight = cv2.Canny(blurred, 225, 250)
auto = auto_canny(blurred)
# show the images
cv2.imshow("Original", image)
cv2.imshow("Edges", np.hstack([wide, tight, auto]))
cv2.waitKey(0)
我们在第 20-23 行解析我们的命令行参数。这里我们只需要一个开关--images，它是包含我们想要处理的图像的目录的路径。
然后，我们在第 26 行的上循环我们目录中的图像，在第 28 行的上从磁盘加载图像，在第 29 行的上将图像转换为灰度，并使用一个 3 x 3 内核应用高斯模糊来帮助去除第 30 行的高频噪声。
第 34-36 行然后使用三种方法应用 Canny 边缘检测:
- 一个宽的阈值。
- 一个紧的门槛。
- 使用我们的
auto_canny函数自动确定一个阈值。
最后，我们得到的图像在第 39-41 行显示给我们。
auto_canny 函数的作用
好了，关于代码的讨论到此为止。让我们看看我们的auto_canny功能是如何发挥作用的。
打开终端并执行以下命令:
$ python auto_canny.py --images images
然后，您应该会看到以下输出:
Figure 1: Applying automatic Canny edge detection. Left: Wide Canny edge threshold. Center: Tight Canny edge threshold. Right: Automatic Canny edge threshold.
如你所见，宽的 Canny 边缘阈值不仅检测到海豚，还检测到图像中的许多云。严格的门槛没有探测到云层，但错过了海豚尾巴。最后，自动方法能够找到所有的海豚，同时去除许多云的边缘。
让我们尝试另一个图像:
Figure 2: Applying automatic Canny edge detection to a picture of a camera. Left: Wide Canny edge threshold. Center: Tight Canny edge threshold. Right: Automatic Canny edge threshold.
左边的宽阈值包含了基于光线在相机金属刷面上反射的高频噪声，而 T2 中心的窄阈值遗漏了相机上的许多结构边缘。最后，右侧的自动方法能够找到许多结构边缘，同时不包括高频噪声。
再举一个例子:
Figure 3: Applying automatic Canny edge detection to a picture of a cup. Left: Wide Canny edge threshold. Center: Tight Canny edge threshold. Right: Automatic Canny edge threshold.
这里的结果是相当戏剧性的。虽然宽(左)和自动(右) Canny 边缘检测方法表现相似，但紧阈值(中心)几乎错过了杯子的所有结构边缘。
根据上面的例子，很明显，Canny 边缘检测的自动、零参数版本以最小的努力获得了最佳结果。
注:这三幅示例图像取自加州理工学院-101 数据集。
摘要
在这篇博文中，我向你展示了一个简单的技巧，使用 Canny 边缘检测器 ，在不为函数 提供阈值的情况下，(可靠地)自动检测图像中的边缘。
这种技巧只需取图像的中值，然后根据该中值的百分比构建上阈值和下阈值。在实践中，sigma=0.33往往会获得好的结果。
总的来说，您会发现 Canny 边缘检测的自动、零参数版本能够获得相当不错的结果，而您只需付出很少甚至不需要付出任何努力。
考虑到这一点，为什么不下载这篇文章的源代码，在你自己的图片上试一试呢？我很想知道你的结果！
