Python實現(xiàn)Opencv cv2.Canny()邊緣檢測

更新時間：2021年07月12日 15:37:20 作者：程序媛一枚~

這篇博客將介紹Canny邊緣檢測的概念，并利用cv2.Canny()實現(xiàn)邊緣檢測，具有一定的參考價值，感興趣的小伙伴們可以參考一下

Canny邊緣檢測是一種流行的邊緣檢測算法。它是由約翰F開發(fā)的，是一個多階段的算法；
Canny邊緣檢測大致包含4個步驟：
- 降噪（使用高斯濾波去除高頻噪聲）；
- 計算邊緣梯度和方向（SobelX、SobleY核在水平方向和垂直方向?qū)ζ交蟮膱D像進(jìn)行濾波，找到每個像素的邊緣梯度和方向）；
- 非最大抑制（在得到梯度大小和方向后，對圖像進(jìn)行全掃描，去除任何不需要的像素，這些像素可能不構(gòu)成邊緣。檢查像素是否在其梯度方向的鄰域中是局部最大值。否則，將被抑制（歸零）。簡而言之，得到的結(jié)果是一個具有“細(xì)邊”的二值圖像。
- 滯后閾值（決定哪些邊是真正的邊，哪些不是。為此需要兩個閾值minVal和maxVal，任何強度梯度大于maxVal的邊都肯定是邊，小于minVal的邊肯定是非邊，因此丟棄。位于這兩個閾值之間的邊根據(jù)其連通性被分類為邊或非邊。如果它們連接到“確定邊緣”像素，則它們被視為邊緣的一部分。否則，它們也會被丟棄。）

選擇滯后閾值minVal和maxVal是得到正確結(jié)果的關(guān)鍵。

1. 效果圖

原始圖 VS Canny檢測效果圖如下：

在這里插入圖片描述

2. 源碼

# Canny邊緣檢測是一種流行的邊緣檢測算法。它是由約翰F開發(fā)的，是一個多階段的算法；
# Canny邊緣檢測大致包含4個步驟：
# 
# 1.降噪（使用高斯濾波去除高頻噪聲）；
# 2. 計算邊緣梯度和方向（SobelX、SobleY核在水平方向和垂直方向?qū)ζ交蟮膱D像進(jìn)行濾波，找到每個像素的邊緣梯度和方向）；
# 3. 非最大抑制（在得到梯度大小和方向后，對圖像進(jìn)行全掃描，去除任何不需要的像素，這些像素可能不構(gòu)成邊緣。檢查像素是否在其梯度方向的鄰域中是局部最大值。否則，將被抑制（歸零）。簡而言之，得到的結(jié)果是一個具有“細(xì)邊”的二值圖像。
# 4. 滯后閾值（決定哪些邊是真正的邊，哪些不是。為此需要兩個閾值minVal和maxVal，任何強度梯度大于maxVal的邊都肯定是邊，小于minVal的邊肯定是非邊，因此丟棄。位于這兩個閾值之間的邊根據(jù)其連通性被分類為邊或非邊。如果它們連接到“確定邊緣”像素，則它們被視為邊緣的一部分。否則，它們也會被丟棄。）
# 
# 選擇滯后閾值minVal和maxVal是得到正確結(jié)果的關(guān)鍵。
import cv2
from matplotlib import pyplot as plt

img = cv2.imread('zly.jpg', 0)
edges = cv2.Canny(img, 80, 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()

參考 https://docs.opencv.org/3.0-beta/doc/py_tutorials/py_imgproc/py_canny/py_canny.html#canny

補充：OpenCV-Python 中 Canny() 參數(shù)

步驟：

彩色圖像轉(zhuǎn)換為灰度圖像（以灰度圖或者單通道圖讀入）
對圖像進(jìn)行高斯模糊（去噪）
計算圖像梯度，根據(jù)梯度計算圖像邊緣幅值與角度
沿梯度方向進(jìn)行非極大值抑制（邊緣細(xì)化）
雙閾值邊緣連接處理
二值化圖像輸出結(jié)果

"""
cv2.Canny(image,            # 輸入原圖（必須為單通道圖）
          threshold1, 
          threshold2,       # 較大的閾值2用于檢測圖像中明顯的邊緣
          [, edges[, 
          apertureSize[,    # apertureSize：Sobel算子的大小
          L2gradient ]]])   # 參數(shù)(布爾值)：
                              true： 使用更精確的L2范數(shù)進(jìn)行計算（即兩個方向的倒數(shù)的平方和再開放），
                              false：使用L1范數(shù)（直接將兩個方向?qū)?shù)的絕對值相加）。
"""

import cv2
import numpy as np  
 
original_img = cv2.imread("qingwen.png", 0)

# canny(): 邊緣檢測
img1 = cv2.GaussianBlur(original_img,(3,3),0)
canny = cv2.Canny(img1, 50, 150)

# 形態(tài)學(xué)：邊緣檢測
_,Thr_img = cv2.threshold(original_img,210,255,cv2.THRESH_BINARY)#設(shè)定紅色通道閾值210（閾值影響梯度運算效果）
kernel = cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))         #定義矩形結(jié)構(gòu)元素
gradient = cv2.morphologyEx(Thr_img, cv2.MORPH_GRADIENT, kernel) #梯度

cv2.imshow("original_img", original_img) 
cv2.imshow("gradient", gradient) 
cv2.imshow('Canny', canny)

cv2.waitKey(0)
cv2.destroyAllWindows()

可調(diào)整閾值大小的程序

import cv2
import numpy as np
 
def CannyThreshold(lowThreshold):
    detected_edges = cv2.GaussianBlur(gray,(3,3),0)
    detected_edges = cv2.Canny(detected_edges,
                               lowThreshold,
                               lowThreshold*ratio,
                               apertureSize = kernel_size)
    dst = cv2.bitwise_and(img,img,mask = detected_edges)  # just add some colours to edges from original image.
    cv2.imshow('canny demo',dst)

lowThreshold = 0
max_lowThreshold = 100
ratio = 3
kernel_size = 3
 
img = cv2.imread('qingwen.png')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
 
cv2.namedWindow('canny demo')
 
cv2.createTrackbar('Min threshold','canny demo',lowThreshold, max_lowThreshold, CannyThreshold)
 
CannyThreshold(0)  # initialization
if cv2.waitKey(0) == 27:
    cv2.destroyAllWindows()