JavaCV 圖像邊緣檢測 之 Canny 算法

引言

在圖像處理領(lǐng)域，邊緣檢測是一項至關(guān)重要的任務(wù)。圖像中的邊緣包含了豐富的信息，例如物體的輪廓、區(qū)域的邊界等。通過準(zhǔn)確地檢測邊緣，我們可以進(jìn)一步對圖像進(jìn)行分析、識別和理解。

邊緣檢測算法有多種，其中 Canny邊緣檢測算法 以其精確性和可靠性而備受關(guān)注。Canny邊緣檢測算法的目標(biāo)是在盡可能減少噪聲影響的同時，準(zhǔn)確地檢測出圖像中的邊緣。它不像一些簡單的邊緣檢測算法那樣容易受到噪聲干擾而產(chǎn)生虛假邊緣，也不會遺漏重要的邊緣信息。

在實際應(yīng)用中，Canny邊緣檢測廣泛應(yīng)用于計算機(jī)視覺、醫(yī)學(xué)圖像處理、工業(yè)檢測等眾多領(lǐng)域。例如，在計算機(jī)視覺的目標(biāo)識別任務(wù)中，準(zhǔn)確的邊緣檢測可以幫助我們更好地定位和識別目標(biāo)物體的形狀；在醫(yī)學(xué)圖像處理中，對X光、CT等圖像進(jìn)行邊緣檢測有助于醫(yī)生發(fā)現(xiàn)病變區(qū)域的輪廓；在工業(yè)檢測方面，可以用于檢測產(chǎn)品的外形缺陷等。

JavaCV是一個在Java平臺上用于計算機(jī)視覺的庫，它為我們在Java環(huán)境下實現(xiàn)Canny邊緣檢測提供了便利。通過JavaCV，我們可以輕松地將Canny邊緣檢測算法應(yīng)用到各種圖像處理項目中，充分發(fā)揮其優(yōu)勢。接下來，我們將詳細(xì)介紹如何使用JavaCV來實現(xiàn)Canny邊緣檢測。

Canny 邊緣檢測的原理

Canny 邊緣檢測是一種基于多階段算法的邊緣檢測方法，其目標(biāo)是找到圖像中強(qiáng)度變化最為顯著的位置，即邊緣。以下是 Canny 邊緣檢測的主要步驟和原理：

1. 高斯濾波

在進(jìn)行邊緣檢測之前，首先對圖像進(jìn)行高斯濾波。這一步的目的是減少噪聲對邊緣檢測的影響。高斯濾波是一種線性平滑濾波器，它通過對圖像中的每個像素點與其周圍的像素點進(jìn)行加權(quán)平均來實現(xiàn)平滑效果。權(quán)重是根據(jù)高斯分布函數(shù)確定的，離中心像素點越近的像素點權(quán)重越大，離中心像素點越遠(yuǎn)的像素點權(quán)重越小。

2. 計算梯度幅值和方向

接下來，通過使用一階偏導(dǎo)數(shù)的有限差分來近似計算圖像的梯度幅值和方向。梯度幅值表示圖像中像素點的強(qiáng)度變化程度，梯度方向表示強(qiáng)度變化的方向。具體來說，對于圖像中的每個像素點，計算其在水平方向和垂直方向上的偏導(dǎo)數(shù)，然后根據(jù)這兩個偏導(dǎo)數(shù)計算出梯度幅值和方向。

3. 非極大值抑制

非極大值抑制是為了細(xì)化邊緣，只保留梯度方向上的局部最大值作為邊緣點。在這一步中，對于每個像素點，將其梯度幅值與沿梯度方向上的兩個相鄰像素點的梯度幅值進(jìn)行比較。如果該像素點的梯度幅值不是局部最大值，則將其置為 0，否則保持不變。這樣可以去除一些非邊緣點，使邊緣更加清晰。

4. 雙閾值檢測

最后，通過雙閾值檢測來確定最終的邊緣。設(shè)置一個高閾值和一個低閾值，高于高閾值的像素點確定為邊緣點，低于低閾值的像素點被排除，介于兩者之間的像素點如果與確定的邊緣點相連則也被視為邊緣點。這樣可以去除一些弱邊緣，同時保留一些強(qiáng)邊緣和與強(qiáng)邊緣相連的弱邊緣，使邊緣更加連續(xù)和準(zhǔn)確。

JavaCV 實現(xiàn) Canny 邊緣檢測的 Maven 依賴

為了在 Java 項目中使用 JavaCV 實現(xiàn) Canny 邊緣檢測，需要在項目的 pom.xml 文件中添加以下 Maven 依賴：

<dependency>
    <groupId>org.bytedeco</groupId>
    <artifactId>javacv-platform</artifactId>
    <version>1.5.7</version>
</dependency>

JavaCV 實現(xiàn) Canny 邊緣檢測的步驟

步驟一：圖像讀取

首先，我們需要讀取一張圖像。可以使用 JavaCV 中的 Imgcodecs 類來實現(xiàn)圖像的讀取。以下是讀取圖像的代碼示例：

import org.opencv.core.Mat;
import org.opencv.imgcodecs.Imgcodecs;
public class CannyEdgeDetection {
    public static void main(String[] args) {
        // 讀取圖像
        Mat image = Imgcodecs.imread("input.jpg");
        if (image.empty()) {
            System.out.println("無法讀取圖像");
            return;
        }
    }
}

在上述代碼中，我們使用 Imgcodecs.imread() 方法讀取了一張名為 input.jpg 的圖像，并將其存儲在一個 Mat 對象中。如果圖像讀取失敗，則輸出錯誤信息并返回。

步驟二：高斯濾波

接下來，對圖像進(jìn)行高斯濾波?？梢允褂?JavaCV 中的 Imgproc 類來實現(xiàn)高斯濾波。以下是對圖像進(jìn)行高斯濾波的代碼示例：

import org.opencv.core.Mat;
import org.opencv.imgcodecs.Imgcodecs;
import org.opencv.imgproc.Imgproc;
public class CannyEdgeDetection {
    public static void main(String[] args) {
        // 讀取圖像
        Mat image = Imgcodecs.imread("input.jpg");
        if (image.empty()) {
            System.out.println("無法讀取圖像");
            return;
        }
        // 高斯濾波
        Mat blurredImage = new Mat();
        Imgproc.GaussianBlur(image, blurredImage, new org.opencv.core.Size(5, 5), 0);
    }
}

在上述代碼中，我們首先創(chuàng)建了一個新的 Mat 對象 blurredImage，用于存儲濾波后的圖像。然后，使用 Imgproc.GaussianBlur() 方法對圖像進(jìn)行高斯濾波。該方法的參數(shù)分別為輸入圖像、輸出圖像、高斯核的大小和標(biāo)準(zhǔn)差。在這個例子中，我們使用了一個大小為 5x5 的高斯核，標(biāo)準(zhǔn)差為 0。

步驟三：計算梯度幅值和方向

計算圖像的梯度幅值和方向可以使用 JavaCV 中的 Imgproc 類的 Sobel() 方法。以下是計算梯度幅值和方向的代碼示例：

import org.opencv.core.Mat;
import org.opencv.core.Size;
import org.opencv.imgcodecs.Imgcodecs;
import org.opencv.imgproc.Imgproc;
public class CannyEdgeDetection {
    public static void main(String[] args) {
        // 讀取圖像
        Mat image = Imgcodecs.imread("input.jpg");
        if (image.empty()) {
            System.out.println("無法讀取圖像");
            return;
        }
        // 高斯濾波
        Mat blurredImage = new Mat();
        Imgproc.GaussianBlur(image, blurredImage, new Size(5, 5), 0);
        // 計算梯度幅值和方向
        Mat gradientX = new Mat();
        Mat gradientY = new Mat();
        Imgproc.Sobel(blurredImage, gradientX, -1, 1, 0);
        Imgproc.Sobel(blurredImage, gradientY, -1, 0, 1);
        // 計算梯度幅值和方向
        Mat magnitude = new Mat();
        Mat direction = new Mat();
        Imgproc.cartToPolar(gradientX, gradientY, magnitude, direction);
    }
}

在上述代碼中，我們首先創(chuàng)建了兩個新的 Mat 對象 gradientX 和 gradientY，分別用于存儲水平方向和垂直方向上的梯度。然后，使用 Imgproc.Sobel() 方法分別計算水平方向和垂直方向上的梯度。該方法的參數(shù)分別為輸入圖像、輸出圖像、輸出圖像的深度、水平方向上的導(dǎo)數(shù)階數(shù)和垂直方向上的導(dǎo)數(shù)階數(shù)。在這個例子中，我們將輸出圖像的深度設(shè)置為 -1，表示與輸入圖像的深度相同。水平方向上的導(dǎo)數(shù)階數(shù)為 1，垂直方向上的導(dǎo)數(shù)階數(shù)為 0，表示計算水平方向上的梯度。同樣地，我們可以計算垂直方向上的梯度。

接下來，我們使用 Imgproc.cartToPolar() 方法計算梯度幅值和方向。該方法的參數(shù)分別為水平方向上的梯度、垂直方向上的梯度、輸出的梯度幅值和輸出的梯度方向。

步驟四：非極大值抑制

非極大值抑制可以使用 JavaCV 中的 Imgproc 類的 Canny() 方法來實現(xiàn)。以下是進(jìn)行非極大值抑制的代碼示例：

import org.opencv.core.Mat;
import org.opencv.core.Size;
import org.opencv.imgcodecs.Imgcodecs;
import org.opencv.imgproc.Imgproc;
public class CannyEdgeDetection {
    public static void main(String[] args) {
        // 讀取圖像
        Mat image = Imgcodecs.imread("input.jpg");
        if (image.empty()) {
            System.out.println("無法讀取圖像");
            return;
        }
        // 高斯濾波
        Mat blurredImage = new Mat();
        Imgproc.GaussianBlur(image, blurredImage, new Size(5, 5), 0);
        // 計算梯度幅值和方向
        Mat gradientX = new Mat();
        Mat gradientY = new Mat();
        Imgproc.Sobel(blurredImage, gradientX, -1, 1, 0);
        Imgproc.Sobel(blurredImage, gradientY, -1, 0, 1);
        // 計算梯度幅值和方向
        Mat magnitude = new Mat();
        Mat direction = new Mat();
        Imgproc.cartToPolar(gradientX, gradientY, magnitude, direction);
        // 非極大值抑制
        Mat edges = new Mat();
        Imgproc.Canny(magnitude, edges, 50, 150);
    }
}

在上述代碼中，我們首先創(chuàng)建了一個新的 Mat 對象 edges，用于存儲非極大值抑制后的邊緣圖像。然后，使用 Imgproc.Canny() 方法進(jìn)行非極大值抑制。該方法的參數(shù)分別為輸入的梯度幅值圖像、輸出的邊緣圖像、低閾值和高閾值。在這個例子中，我們將低閾值設(shè)置為 50，高閾值設(shè)置為 150。

步驟五：雙閾值檢測

雙閾值檢測已經(jīng)在非極大值抑制的步驟中完成了，因為 Imgproc.Canny() 方法會自動進(jìn)行雙閾值檢測。

案例分析與對比展示

為了更好地理解 Canny 邊緣檢測的效果，我們可以使用一張圖片進(jìn)行案例分析，并對比展示處理前后的圖像。

以下是一個完整的示例代碼，用于讀取一張圖片，進(jìn)行 Canny 邊緣檢測，并顯示處理前后的圖像：

import org.opencv.core.Mat;
import org.opencv.core.Size;
import org.opencv.core.Core;
import org.opencv.highgui.HighGui;
import org.opencv.imgcodecs.Imgcodecs;
import org.opencv.imgproc.Imgproc;
public class CannyEdgeDetection {
    public static void main(String[] args) {
        // 讀取圖像
        Mat image = Imgcodecs.imread("input.jpg");
        if (image.empty()) {
            System.out.println("無法讀取圖像");
            return;
        }
        // 高斯濾波
        Mat blurredImage = new Mat();
        Imgproc.GaussianBlur(image, blurredImage, new Size(5, 5), 0);
        // 計算梯度幅值和方向
        Mat gradientX = new Mat();
        Mat gradientY = new Mat();
        Imgproc.Sobel(blurredImage, gradientX, -1, 1, 0);
        Imgproc.Sobel(blurredImage, gradientY, -1, 0, 1);
        // 計算梯度幅值和方向
        Mat magnitude = new Mat();
        Mat direction = new Mat();
        Core.cartToPolar(gradientX, gradientY, magnitude, direction);
        // 非極大值抑制
        Mat edges = new Mat();
        Imgproc.Canny(magnitude, edges, 50, 150);
        // 保存邊緣檢測后的圖像
        Imgcodecs.imwrite("path/to/your/edge_detection_result.jpg", edges);
    }
}

在上述代碼中，我們首先讀取了一張名為 input.jpg 的圖片。然后，對圖像進(jìn)行了高斯濾波、計算梯度幅值和方向、非極大值抑制等操作，得到了邊緣檢測后的圖像。最后，使用 HighGui.imshow() 方法顯示原始圖像和邊緣檢測后的圖像，并使用 HighGui.waitKey() 方法等待用戶按下任意鍵退出程序。

以下是一張原始圖像和經(jīng)過 Canny 邊緣檢測后的圖像對比：

原始圖像邊緣檢測后的圖像

從對比圖中可以看出，經(jīng)過 Canny 邊緣檢測后，圖像中的邊緣更加清晰，物體的輪廓更加明顯。

總結(jié)

本文詳細(xì)介紹了 JavaCV 圖像邊緣檢測之 Canny 邊緣檢測算法。首先闡述了 Canny 邊緣檢測的原理，包括高斯濾波、計算梯度幅值和方向、非極大值抑制以及雙閾值檢測等關(guān)鍵步驟。然后介紹了在 Java 項目中使用 JavaCV 實現(xiàn) Canny 邊緣檢測的 Maven 依賴。接著，通過詳細(xì)的代碼示例展示了 Canny 邊緣檢測的每個關(guān)鍵步驟，并對代碼進(jìn)行了注釋說明。最后，通過案例分析和圖像對比展示了 Canny 邊緣檢測的實際效果。通過本文的學(xué)習(xí)，讀者可以掌握 Canny 邊緣檢測算法的原理和實現(xiàn)方法，并能夠在實際項目中應(yīng)用這一技術(shù)來提取圖像中的邊緣信息。

參考資料文獻(xiàn)

OpenCV 官方文檔

JavaCV 官方文檔

數(shù)字圖像處理（第四版）

到此這篇關(guān)于JavaCV 圖像邊緣檢測 之 Canny 算法的文章就介紹到這了,更多相關(guān)JavaCV 圖像邊緣檢測內(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