opencv-python-学习笔记十四（Canny边缘检测）

原理

Canny边缘检测是一种常用的边缘检测算法。由 John F. Canny提出

这是一个多阶段的算法，我们将经历每个阶段。

1.降低噪音

由于边缘检测容易受到图像中噪声的影响，第一步是用5x5高斯滤波器去除图像中的噪声。我们在前几章已经见过了。

2.寻找图像的强度梯度

然后对平滑后的图像进行水平方向和垂直方向的Sobel核滤波，得到水平方向(Gx)和垂直方向(Gy)的一阶导数。这两幅图像中，我们可以发现每个像素的边缘梯度和方向如下:

梯度方向总是垂直于边缘，它是四角之一，代表垂直、水平和两个对角线方向。

3.非极大值抑制

得到梯度大小和方向后，对图像进行全面扫描，去除非边界点。在每个像素处，看这个点的梯度是不是周围具有相同梯 度方向的点中最大的，查看下图:

 

点A在边缘上(垂直方向)。梯度方向垂直于边缘。点B和点C在梯度方向上，因此，点A与点B和点C进行检查，看它是否形成局部最大值，如果是，则将其考虑到下一阶段，否则将抑制它(使其为零)。

简而言之，您得到的结果是一个具有“细边”的二进制图像。

 

4.滞后阈值

现在要确定那些边界才是真正的边界，为此，我们需要两个阈值，minVal和maxVal。任何强度梯度大于maxVal的边都肯定是边，小于minVal的边肯定是非边，所以丢弃。位于这两个阈值之间的根据它们的连接性对边缘或非边缘进行分类（如果介于两者之间的话，就要看这个点是 否与某个被确定为真正的边界点相连，如果是就认为它也是边界点，如果不是 就抛弃。如下图：

A 高于阈值 maxVal 所以是真正的边界点。C 虽然低于 maxVal 但高于minVal 并且与 A 相连，所以也被认为是真正的边界点。而 B 就会被抛弃，因 为他不仅低于 maxVal 而且不与真正的边界点相连。所以选择合适的 maxVal 和 minVal 对于能否得到好的结果非常重要。 在这一步一些小的噪声点也会被除去，因为我们假设边界都是一些长的线段。

 

OpenCV中的Canny边缘检测

OpenCV将所有这些都放在一个函数cv.Canny中。第一个参数是输入图像。第二个和第三个参数分别是minVal和maxVal。第三个参数是aperture_size，它是用来寻找图像梯度的Sobel内核的大小，默认值是3。最后一个参数是L2gradient，它指定了求梯度大小的方程。

函数：

edges=cv.Canny(image, threshold1, threshold2[, edges[, apertureSize[, L2gradient]]])

edges=cv.Canny(dx, dy, threshold1, threshold2[, edges[, L2gradient]])

参数：

dx	16-bit 输入图像的x导数 (CV_16SC1 or CV_16SC3).
dy	16-bit 输入图像的y导数 (和dx有相同类型).
edges	输出的边缘地图; 单通道8-bit 图像, 与输入图像有相同大小。
threshold1	第一个阈值，低阈值
threshold2	第二个阈值，高阈值
L2gradient	如果为真，则使用更精确的L2范数进行计算（即两个方向的倒数的平方和再开方），否则使用L1范数（直接将两个方向导数的绝对值相加）。

举例：

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

img = cv.imread('4.jpg', 0)
edges = cv.Canny(img, 100, 200)
plt.subplot(121), plt.imshow(img, cmap='gray')
plt.title('Original Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122), plt.imshow(edges, cmap='gray')
plt.title('Edge Image'), plt.xticks([]), plt.yticks([])
plt.show()