图像处理之Canny边缘检测

Posted 2023-03-20

​

1 概述

本节中，我们将一起学习OpenCV中边缘检测的各种算子和滤波器 Canny算子、Sobel算子、Laplacian算子以及Scharr滤波器。

2 边缘检测的一般步骤

在具体介绍之前，先来一起看看边缘检测的一般步骤。

1．【第一步】滤波

边缘检测的算法主要是基于图像强度的一阶和二阶导数，但导数通常对噪声很敏感，因此必须采用滤波器来改善与噪声有关的边缘检测器的性能。常见的滤波方法主要有高斯滤波，即采用离散化的高斯函数产生一组归一化的高斯核，然后基于高斯核函数对图像灰度矩阵的每一点进行加权求和。

2．【第二步】增强

增强边缘的基础是确定图像各点邻域强度的变化值。增强算法可以将图像灰度点邻域强度值有显著变化的点凸显出来。在具体编程实现时，可通过计算梯度幅值来确定。

3．【第三步】检测

经过增强的图像，往往邻域中有很多点的梯度值比较大，而在特定的应用中，这些点并不是要找的边缘点，所以应该采用某种方法来对这些点进行取舍。实际工程中，常用的方法是通过阈值化方法来检测。

另外，需要注意，下文中讲到的Laplacian 算子、sobel算子和Scharr算子都是带方向的，所以，示例中我们分别写了X方向、Y方向和最终合成的的效果图。

3 canny算子简介

Canny边缘检测算子是John F．Canny于1986年开发出来的一个多级边缘检测算法。更为重要的是，Canny 创立了边缘检测计算理论（Computational theory ofedge detection），解释了这项技术是如何工作的。Canny边缘检测算法以Canny 的名字命名，被很多人推崇为当今最优的边缘检测的算法。

其中，Canny的目标是找到一个最优的边缘检测算法，让我们看一下最优边缘检测的三个主要评价标准。

• 低错误率：标识出尽可能多的实际边缘，同时尽可能地减少噪声产生的误报。
• 高定位性：标识出的边缘要与图像中的实际边缘尽可能接近。
• 最小响应：图像中的边缘只能标识一次，并且可能存在的图像噪声不应标识为边缘。

为了满足这些要求，Canny使用了变分法，这是一种寻找满足特定功能的函数的方法。最优检测用4个指数函数项的和表示，但是它非常近似于高斯函数的一阶导数。

4 Canny 边缘检测的步骤

（1）【第一步】消除噪声

一般情况下，使用高斯平滑滤波器卷积降噪。以下显示了一个size＝5的高斯内核示例：

（2）【第二步】计算梯度幅值和方向

此处，按照Sobel滤波器的步骤来操作。

①运用一对卷积阵列（分别作用于x和y方向）

②使用下列公式计算梯度幅值和方向

而梯度方向一般取这4个可能的角度之一—0度，45度，90度，135度。

（3）【第三步】非极大值抑制

这一步排除非边缘像素，仅仅保留了一些细线条（候选边缘）。

（4）【第四步】滞后阈值

这是最后一步，Canny 使用了滞后阈值，滞后阈值需要两个阈值（高阈值和低阈值）：

①若某一像素位置的幅值超过高阈值，该像素被保留为边缘像素。

②若某一像素位置的幅值小于低阈值，该像素被排除。

③若某一像素位置的幅值在两个阈值之间，该像素仅仅在连接到一个高于高阈值的像素时被保留。

5 Canny（）函数

Canny 函数利用Canny算子来进行图像的边缘检测操作。

C++:

void Canny(InputArray image, OutputArray edges, double threshold1, double threshold2,
     int aperturesize=3, bool L2gradient=false)

• 第一个参数，InputArray类型的image，输入图像，即源图像，填Mat类的对象即可，且需为单通道8位图像。
• 第二个参数，OutputArray类型的 edges，输出的边缘图，需要和源图片有一样的尺寸和类型。
• 第三个参数，double类型的threshold1，第一个滞后性阈值。
• 第四个参数，double类型的threshold2，第二个滞后性阈值。
• 第五个参数，int类型的apertureSize，表示应用Sobel算子的孔径大小，其有默认值3。
• 第六个参数，bool类型的L2gradient，一个计算图像梯度幅值的标识，有默认值false。

需要注意的是，这个函数阈值1和阈值2两者中较小的值用于边缘连接，而较大的值用来控制强边缘的初始段，推荐的高低阈值比在2：1到3：1之间。

6 示例

代码：

//---------------------------------【头文件、命名空间包含部分】----------------------------
//    描述：包含程序所使用的头文件和命名空间
//---------------------------------------------------------------------------------------
#include <opencv2/opencv.hpp>
#include<opencv2/highgui/highgui.hpp>
#include<opencv2/imgproc/imgproc.hpp>
using namespace cv;


//-----------------------------------【main( )函数】-------------------------------------------
//            描述：控制台应用程序的入口函数，我们的程序从这里开始
//--------------------------------------------------------------------------------------------
int main( )

  //载入原始图  
  Mat srcImage = imread("1.jpg");  //工程目录下应该有一张名为1.jpg的素材图
  Mat srcImage1=srcImage.clone();

  //显示原始图 
  imshow("【原始图】Canny边缘检测", srcImage); 

  //----------------------------------------------------------------------------------
  //  一、最简单的canny用法，拿到原图后直接用。
  //----------------------------------------------------------------------------------
  Canny( srcImage, srcImage, 150, 100,3 );
  imshow("【效果图】Canny边缘检测", srcImage); 


  //----------------------------------------------------------------------------------
  //  二、高阶的canny用法，转成灰度图，降噪，用canny，最后将得到的边缘作为掩码，拷贝原图到效果图上，得到彩色的边缘图
  //----------------------------------------------------------------------------------
  Mat dstImage,edge,grayImage;

  // 【1】创建与src同类型和大小的矩阵(dst)
  dstImage.create( srcImage1.size(), srcImage1.type() );

  // 【2】将原图像转换为灰度图像
  cvtColor( srcImage1, grayImage, CV_BGR2GRAY );

  // 【3】先用使用 3x3内核来降噪
  blur( grayImage, edge, Size(3,3) );

  // 【4】运行Canny算子
  Canny( edge, edge, 3, 9,3 );

  //【5】将g_dstImage内的所有元素设置为0 
  dstImage = Scalar::all(0);

  //【6】使用Canny算子输出的边缘图g_cannyDetectedEdges作为掩码，来将原图g_srcImage拷到目标图g_dstImage中
  srcImage1.copyTo( dstImage, edge);

  //【7】显示效果图 
  imshow("【效果图】Canny边缘检测2", dstImage); 


  waitKey(0); 

  return 0; 

原图：

效果图1：

效果图2：

OpenCV图像处理应用（面向Python）之图像梯度与Canny边缘检测

OpenCV图像处理应用（面向Python）

• • 欢迎来到梁老湿课堂
  • 1.图像梯度
  • 2.Sobel算子
  • 3.Laplacian算子
  • 4.Canny边缘检测
  • 多练多学多坚持，我们下期再见。

欢迎来到梁老湿课堂

本次课程素材都来源于我的专业课老师小傅，他的课形象生动，他所掌握的知识点犹如大海一般，他最擅长用简单、通俗易懂的语言让我们记住知识点。我只是一个搬运工、打工人。我只是站在他的肩膀上发文章！

1.图像梯度

可以理解为： 图像梯度计算的是图像变换的速度。在图像边缘部分，灰度值变化大，那么它的梯度值也会之而变大；相反图像中比较平滑的部分，灰度值变化小，那么它的梯度值也会变化就小。

2.Sobel算子

Sobel 算子是一种离散的微分算子，该算子结合了高斯平滑和微分求导运算。该 算子利用局部差分寻找边缘，计算所得的是一个梯度的近似值。

dst=cv2.Sobeldst=cv2.Sobel（（src,ddepth,dx,dy[,ksize[,scale[,delta[,borderType]]]]src,ddepth,dx,dy[,ksize[,scale[,delta[,borderType]]]]））

也可以写成

dst=cv2.Sobeldst=cv2.Sobel（（src,ddepth,dx,dy)#可以省略中括号里的内容

dst： 代表目标输出图像。
src： 代表原始图像。
ddepth： 代表输出图像深度，具体有以下对应关系，通常用cv2.CV_64F。

dx： 代表x方向上的求导阶数。
dy： 代表y方向上的求导阶数。
ksize： 代表Sobel核的大小。该值为-1时，则会使用Scharr算子进行运算。
scale 代表计算导数值时所采用的缩放因子，默认情况下该值是1，是没有缩放的。
delta： 代表加在目标图像dst上的值，该值是可选的，默认为0。
borderType： 代表边界样式，参数具体类型及值如下表。
计算X方向边缘（梯度）：dx=1,dy=0

import cv2
img=cv2.imread("yuan.jpg")
dst=cv2.Sobel(img,cv2.CV_64F,1,0)
cv2.imshow("img",img)
cv2.imshow("dst",dst)
cv2.waitKey(0)
cv2.destroyAllWindows()

img为原图，dst为X方向边缘计算后得出

计算y方向边缘（梯度）：dx=0,dy=1

import cv2
img=cv2.imread("yuan.jpg")
dst=cv2.Sobel(img,cv2.CV_64F,0,1)
cv2.imshow("img",img)
cv2.imshow("dst",dst)
cv2.waitKey(0)
cv2.destroyAllWindows

img为原图，dst为y方向边缘计算后得出

当二者参数都为1时

import cv2
img=cv2.imread("yuan.jpg")
dst=cv2.Sobel(img,cv2.CV_64F,1,1)
cv2.imshow("img",img)
cv2.imshow("dst",dst)
cv2.waitKey(0)
cv2.destroyAllWindows()

img为原图，dst为二者参数都为1时，二者不可都为0

计算x方向和y方向的边缘叠加

import cv2
img=cv2.imread("123.jpg")
dst1=cv2.Sobel(img,cv2.CV_64F,1,0)
dst2=cv2.Sobel(img,cv2.CV_64F,0,1)
dst=cv2.addWeighted(dst1,0.6,dst2,0.6,0)
cv2.imshow("img",img)
cv2.imshow("dst",dst)
cv2.waitKey(0)
cv2.destroyAllWindows()

温馨提示

3.Laplacian算子

Laplacian（拉普拉斯）算子是一种二阶导数算子，其具有旋转不变性，可以满足不同方向的图像边缘锐化（边缘检测）的要求。通常情况下，其算子的系数之和需要为零。

dst=cv2.Laplacian（src,ddepth[,ksize[,scale[,delta[,borderType]]]]）#中括号里的可以不要

dst： 代表目标输出图像。
src： 代表原始图像。
ddepth： 代表目标图像深度。

ksize： 代表用于计算二阶导数的核尺寸大小。该值必须是正的奇数通过从图像内减去它的Laplacian图像，可以增强图像的对比度。
scale： 代表计算Laplacian值缩放比例因子，参数可选，默认为1，表示不进行缩放。
delta： 代表加到目标图像上的可选值。
borderType： 边界样式。

图像边缘信息

import  cv2
img=cv2.imread("123.jpg")
Laplacian=cv2.Laplacian(img,cv2.CV_64F)
Laplacian=cv2.convertScaleAbs(Laplacian)
cv2.imshow("img",img)
cv2.imshow("Laplacian",Laplacian)
cv2.waitKey(0)
cv2.destroyAllWindows()

img为原图，Laplacian为拉普拉斯处理后的图。

Sobel和Laplacian算子小结

4.Canny边缘检测

1使用高斯滤波器，以平滑图像，滤除噪声。
2计算图像中每个像素点的梯度强度和方向。
3应用非极大值（Non-Maximum Suppression）抑制，以消除边缘检测带来的杂散响应。
4应用双阈值（Double-Threshold）检测来确定真实的和潜在的边缘。
5通过抑制孤立的弱边缘最终完成边缘检测。
边缘检测四步曲
1.去噪： 由于图像边缘非常容易受到噪声的干扰，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。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，但边缘检测的定位错误也会随之增加。
2.计算梯度： 边缘检测算子返回水平方向的Gx和垂直方向的Gy。

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。

3.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。
目的是边缘细化。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）。

4.双阈值定边缘： 剔除存在边缘图像内的因噪声产生的虚边缘： ①高阈值 maxVal ②低阈值 minVal
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。

OpenCV提供了边缘检测的函数

edges=cv2.Canny（image,threshold1,threshold2[,apertureSize[,L2gradient]]）#中括号里的可以不要

**edges：**计算得到的边缘图像
image： 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。
用cv2.Canny()，尝试不同大小的threshold1，threshold2看获取的边缘 有什么不同

import cv2
img=cv2.imread("lena.bmp")
r1=cv2.Canny(img,128,200)
r2=cv2.Canny(img,32,128)
cv2.imshow("img",img)
cv2.imshow("r1",r1)
cv2.imshow("r2",r2)
cv2.waitKey(0)
cv2.destroyAllWindows()

img为原图，r1参数threshold1 128，threshold2 200时的边缘检测结果；r2参数threshold1 32，threshold2 128时的边缘检测结果.

多练多学多坚持，我们下期再见。