opencv - py_imgproc - py_canny Canny边缘检测

Canny 边缘检测

目标

在本章中，我们将学习

• Canny 边缘检测的概念
• 用于该目的的 OpenCV 函数：cv.Canny()

理论

Canny 边缘检测是一种流行的边缘检测算法。它由 John F. Canny 于1986 年开发。它是一种多阶段算法，我们将介绍每个阶段。

• 降噪

由于边缘检测容易受到图像中噪声的影响，因此第一步是使用 5x5 高斯滤波器去除图像中的噪声。我们已经在前面的章节中看到过这一点。

• 查找图像的强度梯度

然后用 Sobel 核在水平和垂直方向上对平滑的图像进行过滤，以获得水平方向 ($G_x$) 和垂直方向 ($G_y$) 的一阶导数。从这两个图像中，我们可以找到每个像素的边缘梯度和方向，如下所示：

$$\begin{gathered} [Edge\_Gradient(G)=\sqrt{G_x^2+G_y^2} \\ Angle(\theta )={\tan }^{-1}(\frac{G_y}{G_x})] \end{gathered}$$

梯度方向始终垂直于边缘。它被四舍五入为四个角度之一，代表垂直、水平和两个对角线方向。

• 非最大值抑制

在获得梯度幅度和方向后，对图像进行全面扫描，以移除可能不构成边缘的任何不需要的
像素。为此，在每个像素处，检查像素是否是梯度方向上其邻域中的局部最大值。检查下面的图片：

点 A 在边缘上（垂直方向）。梯度方向垂直于边缘。点 B和 C 在梯度方向上。因此，检查点 A 与点 B 和 C 是否形成局部最大值。如果是，则将其考虑用于下一阶段，否则，将其抑制（置为零）。

简而言之，您得到的结果是具有“薄边缘”的二值图像。

• 滞后阈值

此阶段决定哪些边缘是真正的边缘，哪些不是。为此，我们需要两个阈值，minVal 和 maxVal。强度梯度大于 maxVal 的任何边都必定是边，低于 minVal 的边必定是非边，因此被丢弃。介于这两个阈值之间的边根据其连通性被分类为边或非边。如果它们连接到“确定边”像素，则它们被视为边的一部分。否则，它们也会被丢弃。
见下图：

边 A 高于 maxVal，因此被视为“确定边”。虽然边 C 低于 maxVal，但它连接到边 A，因此也被视为有效边，我们得到了完整的曲线。但是边 B，虽然它高于 minVal 并且与边 C 位于同一区域，但它没有连接到任何“确定边”，因此被丢弃。因此，我们必须相应地选择 minVal 和 maxVal，以获得正确的结果，这一点非常重要。

此阶段还会在假设边缘为长线的情况下消除小像素噪声。

因此，我们最终得到的是图像中的强边缘。

OpenCV 中的 Canny 边缘检测

OpenCV 将上述所有内容放在一个函数 cv.Canny() 中。我们将了解如何使用它。
第一个参数是我们的输入图像。
第二个和第三个参数分别是我们的 minVal 和 maxVal。
第四个参数是aperture_size。它是用于查找图像梯度的 Sobel 核的大小。默认情况下为 3。
最后一个参数是 L2gradient，它指定用于查找梯度幅度的方程。如果它为 True，则使用上面提到的更准确的方程，否则它使用此函数：$Edge\_Gradient(G)=|G_x|+|G_y|$。默认情况下，它是False。

import numpy as np
import cv2 as cv
from matplotlib import pyplot as pltimg = cv.imread('messi5.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()

请参阅以下结果：

其他资源

• 维基百科 上的 Canny 边缘检测器
• Canny 边缘检测教程，作者：Bill Green，2002 年。