邊緣檢測一般是識別目標(biāo)圖像中亮度變化明顯的像素點. 因為顯著變化的像素點通常反映了圖像變化比較重要的地方.

1. Canny 邊緣檢測理論

Canny 是一種常用的邊緣檢測算法. 其是在 1986 年 John F.Canny 提出的.
Canny 是一種 multi-stage 算法，分別如下：

具體流程：

• 高斯濾波：平滑圖像，消除噪聲
• 梯度和方向計算：利用Sobel算子計算每個像素點的梯度和方向
• 非極大值抑制：消除邊緣檢測帶來的雜散相應(yīng)
• 雙閾值：檢測真正和潛在的邊緣
• 抑制弱邊緣：通過抑制弱邊緣來完成邊緣檢測

1.1、高斯濾波

高斯濾波最重要的還是卷積核核，通常使用高斯平滑濾波器卷積降噪，這里以size=3的高斯內(nèi)核為例：這里做了歸一化處理（元素和為 1）

高斯去噪其實就是一個低通濾波器，濾除高頻噪聲。

1.2、Sobel算子計算梯度和方向

計算方法：

這里 是指水平方向的掩碼模板，是指垂直方向的掩碼模板。根據(jù)上面的模板可以計算出圖像梯度幅值和方向。

1.3、非極大值抑制（定位準(zhǔn)確的邊緣同時可縮小邊緣線寬）

非極大值抑制是進(jìn)行邊緣檢測的重要步驟，通俗的來說，就是獲取局部的最大值，將非極大值所對應(yīng)的灰度值設(shè)置為背景像素點。像素鄰近區(qū)域滿足梯度值的局部最優(yōu)值判斷為該像素的邊緣，對非極大值相關(guān)信息進(jìn)行抑制。利用這個準(zhǔn)則可以剔除大部分的非邊緣點。

簡單的說呢？就是保留梯度大的像素點點，對于那些在邊緣旁邊的雜散點，梯度相對較小，利用非極大值抑制就可以很好的去除雜散點。

1.4、雙閾值檢測

這里的雙閾值并不是說介于閾值之間的像素保留，外面的的去除。這里的閾值檢測有所不同。

分析：

• 梯度大于maxVal的像素點保留，視為邊緣
• 梯度小于minVal的像素點棄用，不視為邊緣
• 梯度介于兩者之間的，分情況判斷：
• 四周有包含大于maxVal的像素點，視為邊緣
• 四周沒有大于maxVal的像素點，不視為邊緣

根據(jù)上面的分析，我們可以得出來：A, D點位邊界； B， C點不是邊界。

注意：

具體這兩個值怎么設(shè)置，我們就要分析兩個值變化對圖像的影響。

• maxVal: 帶來最明顯的差異，增大maxVal無疑會導(dǎo)致原來的邊界點可能會直接消失。但這種消失時是成片消失。
• minVal: 增大minVal，會導(dǎo)致有些待定像素點被棄用，也就是靠近邊界像素點的介于雙閾值之間的被棄用。導(dǎo)致的現(xiàn)象就是邊界出現(xiàn)破損，這種非成片消失。只是邊界信息不完整。

下面以 video = cv2.Canny(img, 80, 250) 為例：分別增大minVal和maxVal。

增大minVal: （邊界出現(xiàn)缺損）

增大maxVal: （邊界出現(xiàn)成片消失，邊界信息完整）

總結(jié)：

在實際應(yīng)用中，觀察梯度圖像，如果邊界信息缺損，那么適當(dāng)?shù)臏p小minVal;如果有不想要的區(qū)域出現(xiàn)，那么適當(dāng)?shù)脑黾覯axVal。

2. OpenCV 之 Canny 邊緣檢測

OpenCV 提供了 cv2.canny() 函數(shù).

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

• 參數(shù) Image - 輸入圖片，必須為單通道的灰度圖
• 參數(shù) threshold1 和 threshold2 - 分別對應(yīng)于閾值 minVal 和 maxVal
• 參數(shù) apertureSize - 用于計算圖片提取的 Sobel kernel 尺寸. 默認(rèn)為 3.
• 參數(shù) L2gradient - 指定計算梯度的等式. 當(dāng)參數(shù)為 True 時，采用 1.2 中的梯度計算公式，其精度更高；否則采用的梯度計算公式為：. 該參數(shù)默認(rèn)為 False.

具體代碼：

import cv2
import numpy as np
import 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()

帶 minVal 和 maxVal 滑動條的使用：

import numpy as np
import 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:
        break
    maxVal=cv2.getTrackbarPos('max','res')
    minVal=cv2.getTrackbarPos('min','res')
    canny=cv2.Canny(img,10*minVal,10*maxVal)
    cv2.imshow('res',canny)
cv2.destroyAllWindows()

到此這篇關(guān)于OpenCV中Canny邊緣檢測的實現(xiàn)的文章就介紹到這了,更多相關(guān)OpenCV Canny邊緣檢測內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！