python中opencv Canny边缘检测

Canny边缘检测

Canny边缘检测是一种使用多级边缘检测算法检测边缘的方法。

OpenCV提供了函数cv2.Canny()实现Canny边缘检测。

Canny边缘检测基础

Canny边缘检测分为如下几个步骤：

• 去噪。噪声会影响边缘检测的准确性，因此首先要将噪声过滤掉。
• 计算梯度的幅度与方向
• 非极大值抑制，即适当地让边缘“变瘦”
• 确定边缘。使用双阈值算法确定最终的边缘信息

高斯滤波去除图像噪声

图像边缘非常容易受到噪声的干扰，因此为了避免检测到错误的边缘信息，通常需要对图像进行滤波以去除噪声。

滤波的目的是平滑一些纹理较弱的非边缘区域，以便得到更准确的边缘。在实际处理过程中，通常采用高斯滤波去除图像中的噪声。在滤波过程中，通过滤波器对像素点周围的像素计算加权平均值，获取最终滤波结果。对于高斯滤波器，越临近中心的点，权值越大。

滤波器的大小也是可变的，高斯核的大小对于边缘检测的效果具有很重要的作用。滤波器的核越大，边缘信息对于噪声的敏感度就越低。不过，核越大，边缘检测的定位错误也会随之增加。通常来说，一个5×5的核能够满足大多数的情况。

计算梯度

关注梯度的方向，梯度的方向与边缘的方向是垂直的。

边缘检测算子返回水平方向的Gx和垂直方向的Gy。

梯度的幅度G和方向Θ（用角度值表示）为：

atan2(·)表示具有两个参数的arctan函数。

梯度的方向总是与边缘垂直的，通常就近取值为水平（左、右）、垂直（上、下）、对角线（右上、左上、左下、右下）等8个不同的方向。

在计算梯度时，我们会得到梯度的幅度和角度（代表梯度的方向）两个值。

梯度的表示法: 其中，每一个梯度包含幅度和角度两个不同的值。为了方便观察，这里使用了可视化表示方法。

左上角顶点的值“2↑”实际上表示的是一个二元数对“(2, 90)”，表示梯度的幅度为2，角度为90°。

非极大值抑制

在获得了梯度的幅度和方向后，遍历图像中的像素点，去除所有非边缘的点。

在具体实现时，逐一遍历像素点，判断当前像素点是否是周围像素点中具有相同梯度方向的最大值，并根据判断结果决定是否抑制该点。

通过以上描述可知，该步骤是边缘细化的过程。针对每一个像素点：

• 如果该点是正/负梯度方向上的局部最大值，则保留该点。
• 如果不是，则抑制该点（归零）。

（梯度方向垂直于边缘）

“正/负梯度方向上”是指相反方向的梯度方向。

对于同一个方向的若干个边缘点，基本上仅保留了一个，因此实现了边缘细化的目的。

应用双阈值确定边缘

完成上述步骤后，图像内的强边缘已经在当前获取的边缘图像内。但是，一些虚边缘可能也在边缘图像内。

这些虚边缘可能是真实图像产生的，也可能是由于噪声所产生的。对于后者，必须将其剔除。设置两个阈值，其中一个为高阈值maxVal，另一个为低阈值minVal。根据当前边缘像素的梯度值（指的是梯度幅度）与这两个阈值之间的关系，判断边缘的属性。

具体步骤为：

• 如果当前边缘像素的梯度值大于或等于maxVal，则将当前边缘像素标记为强边缘。
• 如果当前边缘像素的梯度值介于maxVal与minVal之间，则将当前边缘像素标记为虚边缘（需要保留）。
• 如果当前边缘像素的梯度值小于或等于minVal，则抑制当前边缘像素。

在上述过程中，我们得到了虚边缘，需要对其做进一步处理。一般通过判断虚边缘与强边缘是否连接，来确定虚边缘到底属于哪种情况。

通常情况下，如果一个虚边缘：

• 与强边缘连接，则将该边缘处理为边缘。
• 与强边缘无连接，则该边缘为弱边缘，将其抑制。

高阈值maxVal和低阈值minVal不是固定的，需要针对不同的图像进行定义。

Canny函数及使用

OpenCV提供了函数cv2.Canny()来实现Canny边缘检测，其语法形式如下：

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

• edges为计算得到的边缘图像。
• image为8位输入图像。
• threshold1表示处理过程中的第一个阈值。
• threshold2表示处理过程中的第二个阈值。
• apertureSize表示Sobel算子的孔径大小。
• L2gradient为计算图像梯度幅度（gradient magnitude）的标识。其默认值为False。如果为True，则使用更精确的L2范数进行计算（即两个方向的导数的平方和再开方），否则使用L1范数（直接将两个方向导数的绝对值相加）。

**例子：**使用函数cv2.Canny()获取图像的边缘，并尝试使用不同大小的threshold1和threshold2，观察获取到的边缘有何不同。

import cv2
o=cv2.imread("./img/hand1.png", cv2.IMREAD_GRAYSCALE)
r1=cv2.Canny(o,128,200)
r2=cv2.Canny(o,32,128)
cv2.imshow("original", o)
cv2.imshow("result1", r1)
cv2.imshow("result2", r2)
cv2.waitKey()
cv2.destroyAllWindows()

当函数cv2.Canny()的参数threshold1和threshold2的值较小时，能够捕获更多的边缘信息。

到此这篇关于python中opencv Canny边缘检测的文章就介绍到这了,更多相关opencv Canny内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！