Canny邊緣檢測

Canny邊緣檢測是一種使用多級邊緣檢測算法檢測邊緣的方法。

OpenCV提供了函數(shù)cv2.Canny()實(shí)現(xiàn)Canny邊緣檢測。

Canny邊緣檢測基礎(chǔ)

Canny邊緣檢測分為如下幾個步驟：

• 去噪。噪聲會影響邊緣檢測的準(zhǔn)確性，因此首先要將噪聲過濾掉。
• 計算梯度的幅度與方向
• 非極大值抑制，即適當(dāng)?shù)刈屵吘?ldquo;變瘦”
• 確定邊緣。使用雙閾值算法確定最終的邊緣信息

高斯濾波去除圖像噪聲

圖像邊緣非常容易受到噪聲的干擾，因此為了避免檢測到錯誤的邊緣信息，通常需要對圖像進(jìn)行濾波以去除噪聲。

濾波的目的是平滑一些紋理較弱的非邊緣區(qū)域，以便得到更準(zhǔn)確的邊緣。在實(shí)際處理過程中，通常采用高斯濾波去除圖像中的噪聲。在濾波過程中，通過濾波器對像素點(diǎn)周圍的像素計算加權(quán)平均值，獲取最終濾波結(jié)果。對于高斯濾波器，越臨近中心的點(diǎn)，權(quán)值越大。

濾波器的大小也是可變的，高斯核的大小對于邊緣檢測的效果具有很重要的作用。濾波器的核越大，邊緣信息對于噪聲的敏感度就越低。不過，核越大，邊緣檢測的定位錯誤也會隨之增加。通常來說，一個5×5的核能夠滿足大多數(shù)的情況。

計算梯度

關(guān)注梯度的方向，梯度的方向與邊緣的方向是垂直的。

邊緣檢測算子返回水平方向的Gx和垂直方向的Gy。

梯度的幅度G和方向Θ（用角度值表示）為：

atan2(·)表示具有兩個參數(shù)的arctan函數(shù)。

梯度的方向總是與邊緣垂直的，通常就近取值為水平（左、右）、垂直（上、下）、對角線（右上、左上、左下、右下）等8個不同的方向。

在計算梯度時，我們會得到梯度的幅度和角度（代表梯度的方向）兩個值。

梯度的表示法: 其中，每一個梯度包含幅度和角度兩個不同的值。為了方便觀察，這里使用了可視化表示方法。

左上角頂點(diǎn)的值“2↑”實(shí)際上表示的是一個二元數(shù)對“(2, 90)”，表示梯度的幅度為2，角度為90°。

非極大值抑制

在獲得了梯度的幅度和方向后，遍歷圖像中的像素點(diǎn)，去除所有非邊緣的點(diǎn)。

在具體實(shí)現(xiàn)時，逐一遍歷像素點(diǎn)，判斷當(dāng)前像素點(diǎn)是否是周圍像素點(diǎn)中具有相同梯度方向的最大值，并根據(jù)判斷結(jié)果決定是否抑制該點(diǎn)。

通過以上描述可知，該步驟是邊緣細(xì)化的過程。針對每一個像素點(diǎn)：

• 如果該點(diǎn)是正/負(fù)梯度方向上的局部最大值，則保留該點(diǎn)。
• 如果不是，則抑制該點(diǎn)（歸零）。

（梯度方向垂直于邊緣）

“正/負(fù)梯度方向上”是指相反方向的梯度方向。

對于同一個方向的若干個邊緣點(diǎn)，基本上僅保留了一個，因此實(shí)現(xiàn)了邊緣細(xì)化的目的。

應(yīng)用雙閾值確定邊緣

完成上述步驟后，圖像內(nèi)的強(qiáng)邊緣已經(jīng)在當(dāng)前獲取的邊緣圖像內(nèi)。但是，一些虛邊緣可能也在邊緣圖像內(nèi)。

這些虛邊緣可能是真實(shí)圖像產(chǎn)生的，也可能是由于噪聲所產(chǎn)生的。對于后者，必須將其剔除。設(shè)置兩個閾值，其中一個為高閾值maxVal，另一個為低閾值minVal。根據(jù)當(dāng)前邊緣像素的梯度值（指的是梯度幅度）與這兩個閾值之間的關(guān)系，判斷邊緣的屬性。

具體步驟為：

• 如果當(dāng)前邊緣像素的梯度值大于或等于maxVal，則將當(dāng)前邊緣像素標(biāo)記為強(qiáng)邊緣。
• 如果當(dāng)前邊緣像素的梯度值介于maxVal與minVal之間，則將當(dāng)前邊緣像素標(biāo)記為虛邊緣（需要保留）。
• 如果當(dāng)前邊緣像素的梯度值小于或等于minVal，則抑制當(dāng)前邊緣像素。

在上述過程中，我們得到了虛邊緣，需要對其做進(jìn)一步處理。一般通過判斷虛邊緣與強(qiáng)邊緣是否連接，來確定虛邊緣到底屬于哪種情況。

通常情況下，如果一個虛邊緣：

• 與強(qiáng)邊緣連接，則將該邊緣處理為邊緣。
• 與強(qiáng)邊緣無連接，則該邊緣為弱邊緣，將其抑制。

高閾值maxVal和低閾值minVal不是固定的，需要針對不同的圖像進(jìn)行定義。

Canny函數(shù)及使用

OpenCV提供了函數(shù)cv2.Canny()來實(shí)現(xiàn)Canny邊緣檢測，其語法形式如下：

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

• edges為計算得到的邊緣圖像。
• image為8位輸入圖像。
• threshold1表示處理過程中的第一個閾值。
• threshold2表示處理過程中的第二個閾值。
• apertureSize表示Sobel算子的孔徑大小。
• L2gradient為計算圖像梯度幅度（gradient magnitude）的標(biāo)識。其默認(rèn)值為False。如果為True，則使用更精確的L2范數(shù)進(jìn)行計算（即兩個方向的導(dǎo)數(shù)的平方和再開方），否則使用L1范數(shù)（直接將兩個方向?qū)?shù)的絕對值相加）。

**例子：**使用函數(shù)cv2.Canny()獲取圖像的邊緣，并嘗試使用不同大小的threshold1和threshold2，觀察獲取到的邊緣有何不同。

import cv2
o=cv2.imread("./img/hand1.png", cv2.IMREAD_GRAYSCALE)
r1=cv2.Canny(o,128,200)
r2=cv2.Canny(o,32,128)
cv2.imshow("original", o)
cv2.imshow("result1", r1)
cv2.imshow("result2", r2)
cv2.waitKey()
cv2.destroyAllWindows()

當(dāng)函數(shù)cv2.Canny()的參數(shù)threshold1和threshold2的值較小時，能夠捕獲更多的邊緣信息。

到此這篇關(guān)于python中opencv Canny邊緣檢測的文章就介紹到這了,更多相關(guān)opencv Canny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！

最新評論