Canny边缘检测的概念是什么，实现过程是怎样的-群英

上一篇：在Python中如何给鼠标添加多种拖尾的效果下一篇：splinter如何进行安装，作用及用法是什么

这篇文章主要讲解了“Canny边缘检测的概念是什么，实现过程是怎样的”，文中的讲解内容简单、清晰、详细，对大家学习或是工作可能会有一定的帮助，希望大家阅读完这篇文章能有所收获。下面就请大家跟着小编的思路一起来学习一下吧。

这篇博客将介绍Canny边缘检测的概念，并利用cv2.Canny()实现边缘检测；

Canny边缘检测是一种流行的边缘检测算法。它是由约翰F开发的，是一个多阶段的算法；
Canny边缘检测大致包含4个步骤：
- 降噪（使用高斯滤波去除高频噪声）；
- 计算边缘梯度和方向（SobelX、SobleY核在水平方向和垂直方向对平滑后的图像进行滤波，找到每个像素的边缘梯度和方向）；
- 非最大抑制（在得到梯度大小和方向后，对图像进行全扫描，去除任何不需要的像素，这些像素可能不构成边缘。检查像素是否在其梯度方向的邻域中是局部最大值。否则，将被抑制（归零）。简而言之，得到的结果是一个具有“细边”的二值图像。
- 滞后阈值（决定哪些边是真正的边，哪些不是。为此需要两个阈值minVal和maxVal，任何强度梯度大于maxVal的边都肯定是边，小于minVal的边肯定是非边，因此丢弃。位于这两个阈值之间的边根据其连通性被分类为边或非边。如果它们连接到“确定边缘”像素，则它们被视为边缘的一部分。否则，它们也会被丢弃。）

选择滞后阈值minVal和maxVal是得到正确结果的关键。

1. 效果图

原始图 VS Canny检测效果图如下：

2. 源码

# Canny边缘检测是一种流行的边缘检测算法。它是由约翰F开发的，是一个多阶段的算法；
# Canny边缘检测大致包含4个步骤：
# 
# 1.降噪（使用高斯滤波去除高频噪声）；
# 2. 计算边缘梯度和方向（SobelX、SobleY核在水平方向和垂直方向对平滑后的图像进行滤波，找到每个像素的边缘梯度和方向）；
# 3. 非最大抑制（在得到梯度大小和方向后，对图像进行全扫描，去除任何不需要的像素，这些像素可能不构成边缘。检查像素是否在其梯度方向的邻域中是局部最大值。否则，将被抑制（归零）。简而言之，得到的结果是一个具有“细边”的二值图像。
# 4. 滞后阈值（决定哪些边是真正的边，哪些不是。为此需要两个阈值minVal和maxVal，任何强度梯度大于maxVal的边都肯定是边，小于minVal的边肯定是非边，因此丢弃。位于这两个阈值之间的边根据其连通性被分类为边或非边。如果它们连接到“确定边缘”像素，则它们被视为边缘的一部分。否则，它们也会被丢弃。）
# 
# 选择滞后阈值minVal和maxVal是得到正确结果的关键。
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()

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

补充：OpenCV-Python 中 Canny() 参数

步骤：

彩色图像转换为灰度图像（以灰度图或者单通道图读入）
对图像进行高斯模糊（去噪）
计算图像梯度，根据梯度计算图像边缘幅值与角度
沿梯度方向进行非极大值抑制（边缘细化）
双阈值边缘连接处理
二值化图像输出结果

"""
cv2.Canny(image,            # 输入原图（必须为单通道图）
          threshold1, 
          threshold2,       # 较大的阈值2用于检测图像中明显的边缘
          [, edges[, 
          apertureSize[,    # apertureSize：Sobel算子的大小
          L2gradient ]]])   # 参数(布尔值)：
                              true： 使用更精确的L2范数进行计算（即两个方向的倒数的平方和再开放），
                              false：使用L1范数（直接将两个方向导数的绝对值相加）。
"""

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

# canny(): 边缘检测
img1 = cv2.GaussianBlur(original_img,(3,3),0)
canny = cv2.Canny(img1, 50, 150)

# 形态学：边缘检测
_,Thr_img = cv2.threshold(original_img,210,255,cv2.THRESH_BINARY)#设定红色通道阈值210（阈值影响梯度运算效果）
kernel = cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))         #定义矩形结构元素
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()

可调整阈值大小的程序

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()