OpenCV中Canny边缘检测的实现 OpenCV中Canny边缘检测的实现

1. Canny 边缘检测理论

1.1、高斯滤波
1.2、Sobel算子计算梯度和方向
1.3、非极大值抑制（定位准确的边缘同时可缩小边缘线宽）
1.4、双阈值检测

2. OpenCV 之 Canny 边缘检测

边缘检测一般是识别目标图像中亮度变化明显的像素点. 因为显著变化的像素点通常反映了图像变化比较重要的地方.

1. Canny 边缘检测理论 Canny 是一种常用的边缘检测算法. 其是在 1986 年 John F.Canny 提出的.
Canny 是一种 multi-stage 算法，分别如下：
具体流程：

高斯滤波：平滑图像，消除噪声
梯度和方向计算：利用Sobel算子计算每个像素点的梯度和方向
非极大值抑制：消除边缘检测带来的杂散相应
双阈值：检测真正和潜在的边缘
抑制弱边缘：通过抑制弱边缘来完成边缘检测

1.1、高斯滤波
高斯滤波最重要的还是卷积核核，通常使用高斯平滑滤波器卷积降噪，这里以size=3的高斯内核为例：这里做了归一化处理（元素和为 1）

文章图片

高斯去噪其实就是一个低通滤波器，滤除高频噪声。

1.2、Sobel算子计算梯度和方向
计算方法：

文章图片

这里

文章图片
是指水平方向的掩码模板，

文章图片
是指垂直方向的掩码模板。根据上面的模板可以计算出图像梯度幅值和方向。

文章图片

1.3、非极大值抑制（定位准确的边缘同时可缩小边缘线宽）
非极大值抑制是进行边缘检测的重要步骤，通俗的来说，就是获取局部的最大值，将非极大值所对应的灰度值设置为背景像素点。像素邻近区域满足梯度值的局部最优值判断为该像素的边缘，对非极大值相关信息进行抑制。利用这个准则可以剔除大部分的非边缘点。
简单的说呢？就是保留梯度大的像素点点，对于那些在边缘旁边的杂散点，梯度相对较小，利用非极大值抑制就可以很好的去除杂散点。

1.4、双阈值检测
【OpenCV中Canny边缘检测的实现】这里的双阈值并不是说介于阈值之间的像素保留，外面的的去除。这里的阈值检测有所不同。

文章图片

分析：

梯度大于maxVal的像素点保留，视为边缘
梯度小于minVal的像素点弃用，不视为边缘
梯度介于两者之间的，分情况判断：
四周有包含大于maxVal的像素点，视为边缘
四周没有大于maxVal的像素点，不视为边缘

根据上面的分析，我们可以得出来：A, D点位边界； B， C点不是边界。
注意：
具体这两个值怎么设置，我们就要分析两个值变化对图像的影响。

maxVal: 带来最明显的差异，增大maxVal无疑会导致原来的边界点可能会直接消失。但这种消失时是成片消失。
minVal: 增大minVal，会导致有些待定像素点被弃用，也就是靠近边界像素点的介于双阈值之间的被弃用。导致的现象就是边界出现破损，这种非成片消失。只是边界信息不完整。

下面以 video = cv2.Canny(img, 80, 250) 为例：分别增大minVal和maxVal。
增大minVal: （边界出现缺损）

文章图片

增大maxVal: （边界出现成片消失，边界信息完整）

文章图片

总结：
在实际应用中，观察梯度图像，如果边界信息缺损，那么适当的减小minVal; 如果有不想要的区域出现，那么适当的增加MaxVal。

2. OpenCV 之 Canny 边缘检测 OpenCV 提供了 cv2.canny() 函数.

edge = cv2.Canny(image, threshold1, threshold2[, edges[, apertureSize[, L2gradient ]]])

参数 Image - 输入图片，必须为单通道的灰度图
参数 threshold1 和 threshold2 - 分别对应于阈值 minVal 和 maxVal
参数 apertureSize - 用于计算图片提取的 Sobel kernel 尺寸. 默认为 3.
参数 L2gradient - 指定计算梯度的等式. 当参数为 True 时，采用 1.2 中的梯度计算公式，其精度更高；否则采用的梯度计算公式为：. 该参数默认为 False.

具体代码：

import cv2import numpy as npimport matplotlib.pyplot as plt img = cv2.imread('test.jpg', 0)edges = cv2.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()

文章图片

带 minVal 和 maxVal 滑动条的使用：

import numpy as npimport cv2 def nothing(x):pass img=cv2.imread('test.jpg',0) cv2.namedWindow('res')cv2.createTrackbar('min','res',0,25,nothing)cv2.createTrackbar('max','res',0,25,nothing)while(1):if cv2.waitKey(1) & 0xFF == 27:breakmaxVal=cv2.getTrackbarPos('max','res')minVal=cv2.getTrackbarPos('min','res')canny=cv2.Canny(img,10*minVal,10*maxVal)cv2.imshow('res',canny)cv2.destroyAllWindows()