OpenCV-Python——第15章：Canny边缘检测

0 原理

Canny 边缘检测是一种非常流行的边缘检测算法，是 John F.Canny 在1986 年提出的。它是一个有很多步构成的算法

1. 高斯模糊 - GaussianBlur
2. 灰度转换 - cvtColor
3. 计算梯度 – Sobel/Scharr
4. 非最大信号抑制
5. 高低阈值输出二值图像

具体如下

0.1 噪声去除

由于边缘检测很容易受到噪声影响，所以第一步是使用 5x5 的高斯滤波器 去除噪声，这个前面我们已经学过了。

0.2 计算图像梯度

对平滑后的图像使用 Sobel 算子计算水平方向和竖直方向的一阶导数（图像梯度）（Gx 和 Gy）。根据得到的这两幅梯度图（Gx 和 Gy）找到边界的梯 度和方向，公式如下：

梯度的方向一般总是与边界垂直。梯度方向被归为四类：垂直，水平，和两个对角线。

0.3 非极大值抑制

在获得梯度的方向和大小之后，应该对整幅图像做一个扫描，去除那些非边界上的点。对每一个像素进行检查，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。如下图所示

现在你得到的是一个包含“窄边界”的二值图像。

0.4 滞后阈值

现在要确定那些边界才是真正的边界。这时我们需要设置两个阈值：minVal 和 maxVal。当图像的灰度梯度高于 maxVal 时被认为是真的边界， 那些低于 minVal 的边界会被抛弃。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

1 Canny函数

cv2.Canny(image, threshold1, threshold2, edges, apertureSzie, L2gradient)

• image：输入图像
• threshold1：低阈值
• threshold2：高阈值
• edges：输出图像
• apertureSzie：Sobel卷积核的大小，默认为3
• 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）。

高低阈值对边缘检测的结果影响十分大，例如

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

img = cv2.imread('test3.jpg', 0)
edges = cv2.Canny(img, 50, 100)
edges2 = cv2.Canny(img, 50, 150)
edges3 = cv2.Canny(img, 50, 200)
edges4 = cv2.Canny(img, 100, 150)
edges5 = cv2.Canny(img, 200, 250)

plt.subplot(231), plt.imshow(img, cmap='gray'), plt.title('Original Image')
plt.subplot(232), plt.imshow(edges, cmap='gray'), plt.title('Edge Image')
plt.subplot(233), plt.imshow(edges2, cmap='gray'), plt.title('Edge Image')
plt.subplot(234), plt.imshow(edges3, cmap='gray'), plt.title('Edge Image')
plt.subplot(235), plt.imshow(edges4, cmap='gray'), plt.title('Edge Image')
plt.subplot(236), plt.imshow(edges5, cmap='gray'), plt.title('Edge Image')

plt.show()

结果如下：