邊緣檢測一般是識別目標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
• 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（定位準確的邊緣同時可縮小邊緣線寬）

非極大值抑制是進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，將非極大值所對應的灰度值設置為背景像素點。像素鄰近區域滿足梯度值的局部最優值判斷為該像素的邊緣，對非極大值相關信息進行抑制。利用這個準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。導致的現象就是邊界出現破損，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: （邊界出現缺損）

增大maxVal: （邊界出現成片消失，邊界信息完整）

總結：

在實際應用中，觀察梯度圖像，如果邊界信息缺損，那么適當的減小minVal;如果有不想要的區域出現，那么適當的增加MaxVal。

2. OpenCV 之 Canny 邊緣檢測

OpenCV 提供了 cv2.canny() 函數.

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

• 參數 Image - 輸入圖片，必須為單通道的灰度圖
• 參數 threshold1 和 threshold2 - 分別對應于閾值 minVal 和 maxVal
• 參數 apertureSize - 用于計算圖片提取的 Sobel kernel 尺寸. 默認為 3.
• 參數 L2gradient - 指定計算梯度的等式. 當參數為 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：. 該參數默認為 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()

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