OpenCV竟然可以这样学！成神之路终将不远（十五）

Posted 2021-06-29 满目星辰wwq

返回目录

目录

15 Canny边缘检测

15.1 目标

15.2 理论

15.2.1 查找图像的强度梯度

15.2.2 磁滞阈值

15.3 OpenCV中的Canny Edge检测

15.4 附加资源

15.5 练习

---

15 Canny边缘检测

15.1 目标

在本章中，我们将学习 - Canny边缘检测的概念 - OpenCV函数: cv.Canny()

15.2 理论

Canny Edge Detection是一种流行的边缘检测算法。它由John F. Canny发明

1. 这是一个多阶段算法，我们将经历每个阶段。
2. 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高斯滤波器消除图像中的噪声。我们已经在前面的章节中看到了这一点。

15.2.1 查找图像的强度梯度

然后使用Sobel核在水平和垂直方向上对平滑的图像进行滤波，以在水平方向(Gx)和垂直方向(Gy)上获得一阶导数。从这两张图片中，我们可以找到每个像素的边缘渐变和方向，如下所示：

渐变方向始终垂直于边缘。将其舍入为代表垂直，水平和两个对角线方向的四个角度之一。

非极大值抑制：在获得梯度大小和方向后，将对图像进行全面扫描，以去除可能不构成边缘的所有不需要的像素。为此，在每个像素处，检查像素是否是其在梯度方向上附近的局部最大值。查看下面的图片：

点A在边缘（垂直方向）上。渐变方向垂直于边缘。点B和C在梯度方向上。因此，将A点与B点和C点进行检查，看是否形成局部最大值。如果是这样，则考虑将其用于下一阶段，否则将其抑制（置为零）。 简而言之，你得到的结果是带有“细边”的二进制图像。

15.2.2 磁滞阈值

该阶段确定哪些边缘全部是真正的边缘，哪些不是。为此，我们需要两个阈值minVal和maxVal。强度梯度大于maxVal 的任何边缘必定是边缘，而小于minVal的那些边缘必定是非边缘，因此将其丢弃。介于这两个阈值之间的对象根据其连通性被分类为边缘或非边缘。如果将它们连接到“边缘”像素，则将它们视为边缘的一部分。否则，它们也将被丢弃。见下图：

边缘A在maxVal 之上，因此被视为“确定边缘”。尽管边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。但是边缘B尽管在minVal之上并且与边缘C处于同一区域，但是它没有连接到任何“确保边缘”，因此被丢弃。因此，非常重要的一点是我们必须相应地选择minVal和maxVal 以获得正确的结果。

注意：在边缘为长线的假设下，该阶段还消除了小像素噪声。因此，我们最终得到的是图像中的强边缘。

15.3 OpenCV中的Canny Edge检测

OpenCV将以上所有内容放在单个函数cv.Canny()中。我们将看到如何使用它。

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 。

第三个参数是perture_size 。它是用于查找图像渐变的Sobel内核的大小。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式。如果为True ，则使用上面提到的更精确的公式，否则使用以下函数：

默认情况下，它为False 。

代码如下：

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

img = cv.imread('test.jpg', 0)

edges = cv.Canny(img, 100, 200)

plt.subplot(121), plt.imshow(img, 'gray')
plt.title('Original Image'), plt.xticks([]), plt.yticks([])

plt.subplot(122), plt.imshow(edges, 'gray')
plt.title('Edge Image'), plt.xticks([]), plt.yticks([])

plt.show()

运行结果如下：

15.4 附加资源

1. Canny edge detector at Wikipedia
2. Canny Edge Detection Tutorial：by Bill Green, 2002.

15.5 练习

编写一个小应用程序以找到Canny边缘检测，该检测的阈值可以使用两个跟踪栏进行更改。这样，你可以了解阈值的影响。

代码如下：

import cv2 as cv


def nothing(x):
    pass


img = cv.imread('01.jpg', 0)

# 创建一个窗口以供使用
cv.namedWindow('Edges', cv.WINDOW_NORMAL)
# 创建阈值变化的轨迹栏
cv.createTrackbar('minValue', 'Edges', 0, 255, nothing)
cv.createTrackbar('maxValue', 'Edges', 0, 255, nothing)

while True:
    if cv.waitKey(1) & 0xFF == 27:
        break

    # 得到两条轨迹的当前位置
    min_value = cv.getTrackbarPos('minValue', 'Edges')
    max_value = cv.getTrackbarPos('maxValue', 'Edges')

    edges = cv.Canny(img, min_value, max_value)

    cv.imshow('Edges', edges)

cv.destroyAllWindows()

运行结果如下：

 

 

---

欢迎评论区留言，一起探讨OpenCV成神之路的奥秘。

顺便给我加个关注，点个赞，加个收藏，让我们一起登上神坛。