1. Canny 边缘检测理论

Canny 是一种常用的边缘检测算法. 其是在 1986 年 John F.Canny 提出的.
Canny 是一种 multi-stage 算法，分别如下：

具体流程：

• 高斯滤波：平滑图像，消除噪声
• 梯度和方向计算：利用Sobel算子计算每个像素点的梯度和方向
• 非极大值抑制：消除边缘检测带来的杂散相应
• 双阈值：检测真正和潜在的边缘
• 抑制弱边缘：通过抑制弱边缘来完成边缘检测

1.1、高斯滤波

高斯滤波最重要的还是卷积核核，通常使用高斯平滑滤波器卷积降噪，这里以size=3的高斯内核为例：这里做了归一化处理（元素和为 1）

高斯去噪其实就是一个低通滤波器，滤除高频噪声。

1.2、Sobel算子计算梯度和方向

计算方法：

这里 是指水平方向的掩码模板，是指垂直方向的掩码模板。根据上面的模板可以计算出图像梯度幅值和方向。

1.3、非极大值抑制（定位准确的边缘同时可缩小边缘线宽）

非极大值抑制是进行边缘检测的重要步骤，通俗的来说，就是获取局部的最大值，将非极大值所对应的灰度值设置为背景像素点。像素邻近区域满足梯度值的局部最优值判断为该像素的边缘，对非极大值相关信息进行抑制。利用这个准则可以剔除大部分的非边缘点。

简单的说呢？就是保留梯度大的像素点点，对于那些在边缘旁边的杂散点，梯度相对较小，利用非极大值抑制就可以很好的去除杂散点。

1.4、双阈值检测

这里的双阈值并不是说介于阈值之间的像素保留，外面的的去除。这里的阈值检测有所不同。

分析：

• 梯度大于maxVal的像素点保留，视为边缘
• 梯度小于minVal的像素点弃用，不视为边缘
• 梯度介于两者之间的，分情况判断：
• 四周有包含大于maxVal的像素点，视为边缘
• 四周没有大于maxVal的像素点，不视为边缘

根据上面的分析，我们可以得出来：A, D点位边界； B， C点不是边界。

注意：

具体这两个值怎么设置，我们就要分析两个值变化对图像的影响。

• maxVal: 带来最明显的差异，增大maxVal无疑会导致原来的边界点可能会直接消失。但这种消失时是成片消失。
• minVal: 增大minVal，会导致有些待定像素点被弃用，也就是靠近边界像素点的介于双阈值之间的被弃用。导致的现象就是边界出现破损，这种非成片消失。只是边界信息不完整。

下面以 video = cv2.Canny(img, 80, 250) 为例：分别增大minVal和maxVal。

增大minVal: （边界出现缺损）

增大maxVal: （边界出现成片消失，边界信息完整）

总结：

在实际应用中，观察梯度图像，如果边界信息缺损，那么适当的减小minVal;如果有不想要的区域出现，那么适当的增加MaxVal。

2. OpenCV 之 Canny 边缘检测

OpenCV 提供了 cv2.canny() 函数.

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

• 参数 Image - 输入图片，必须为单通道的灰度图
• 参数 threshold1 和 threshold2 - 分别对应于阈值 minVal 和 maxVal
• 参数 apertureSize - 用于计算图片提取的 Sobel kernel 尺寸. 默认为 3.
• 参数 L2gradient - 指定计算梯度的等式. 当参数为 True 时，采用 1.2 中的梯度计算公式，其精度更高；否则采用的梯度计算公式为：. 该参数默认为 False.

具体代码：

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()

带 minVal 和 maxVal 滑动条的使用：

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()

免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：mmqy2019@163.com进行举报，并提供相关证据，查实之后，将立刻删除涉嫌侵权内容。

猜你喜欢

• PyMysql连接mysql的具体操作是什么

  python语言的3 x完全不向前兼容,导致我们在python2 x中可以正常使用的库,到了python3就用不了了 比如说mysqldb目前MySQLdb并不支持python3

• python批量重命名图片的方法和操作是怎样的

  大家好，本篇文章主要讲的是linux中使用Python对图片进行批量命名，感兴趣的同学赶快来看一看吧，对你有帮助的话记得收藏一下，方便下次浏览

• 详解Python实现定时任务的方式都有哪一些解

  内容介绍利用whileTrue:+sleep()实现定时任务使用Timeloop库运行定时任务利用threading.Timer实现定时任务利用内置模块sched实现定时任务利用调度模块sche

• Python xpath使用语法规则是什么，有哪些知识点

  内容介绍前言一、Xpath简介二、Xpath语法规则语法规则标签定位属性定位索引定位取文本内容三、语法规则练习总结前言网上已经有很多大佬发过Xpath，而且讲的都很好，我是因为刚开始学习网络爬虫，对这

• python中决策树的原理是什么？如何使用？

  关于python决策树是比较难理解的内容，为帮助大家理解python决策树的原理和应用，下面给大家分享用python决策树解决问题的实例，感兴趣的朋友可以参考学习。