3.7. 精明的边缘检测¶
3.7.2. 理论¶
Canny边缘检测是一种流行的边缘检测算法。它是由约翰坎尼在1986年开发的。这是一个多阶段的算法，我们将经历每个阶段。
降噪
由于边缘检测容易受到图像中噪声的影响，第一步是使用5x5高斯滤波器去除图像中的噪声。我们已经在前面的章节中看到了这一点。
求图像的强度梯度
然后用Sobel核在水平方向和垂直方向对平滑后的图像进行滤波，得到水平方向的一阶导数 (\(G_x\) )和垂直方向 (\(G_y\) ). 从这两幅图像中，我们可以找到每个像素的边缘梯度和方向，如下所示：
渐变方向始终垂直于边。四个角中的一个表示垂直、水平和两个对角线方向。
Non-maximum Suppression
在得到梯度大小和方向后，对图像进行全扫描，以去除可能不构成边缘的任何不需要的像素。为此，在每个像素处，检查像素在其梯度方向的邻域中是否为局部最大值。检查下面的图像：
点A在边缘（垂直方向）。梯度方向垂直于边缘。B点和C点在梯度方向上。所以A点和B点和C点一起检查，看看它是否形成了一个局部最大值。如果是，则考虑下一阶段，否则，将抑制（置零）。
简而言之，你得到的结果是一个“薄边”的二值图像。
滞后阈值
这个阶段决定哪些是边，哪些不是边。为此，我们需要两个阈值， \(minVal\) 和 \(maxVal\) . 强度梯度大于 \(maxVal\) 一定是边缘和下面的 \(minVal\) 一定要无边，所以丢弃。介于这两个阈值之间的是基于连通性的边缘或非边缘分类。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。见下图：
边缘A在 \(maxVal\) ，因此被认为是“可靠的边缘”。尽管边缘C在下面 \(maxVal\) ，它连接到边A，所以这也被认为是有效边，我们得到了完整的曲线。但是边缘B，虽然它在上面 \(minVal\) 与边缘C的区域相同，它没有连接到任何“确定边缘”，因此被丢弃。所以我们必须选择 \(minVal\) 和 \(maxVal\) 从而得到正确的结果。
在假设边缘是长线的情况下，该阶段还去除小像素噪声。
所以我们最终得到的是图像中的强边。
3.7.3. OpenCV中的Canny边缘检测¶
OpenCV将以上所有内容放在一个函数中， 卡尼（） . 我们将看看如何使用它。第一个参数是我们的输入图像。第二和第三个论点是 \(minVal\) 和 \(maxVal\) 分别是。第三个论点是 \(aperture_size\) . 它是用于查找图像梯度的Sobel核的大小。默认为3。最后一个参数是 \(L2gradient\) 它指定用于查找渐变大小的公式。如果是的话 True ，则使用上述方程式，更准确，否则使用此函数： \(Edge\_Gradient \; (G) = |G_x| + |G_y|\) . 默认情况下，它是 False .
>>> %matplotlib inline
>>>
>>> import cv2
>>> import numpy as np
>>> from matplotlib import pyplot as plt
>>>
>>> img = cv2.imread('/cvdata/messi5.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()
>>> cv2.__version__
结果如下：
3.7.4. 额外资源¶
机敏边缘探测器 Wikipedia
Canny Edge Detection Tutorial 比尔·格林，2002年。
3.7.5. 练习¶
编写一个小应用程序来查找Canny边缘检测，它的阈值可以使用两个轨迹栏来改变。这样，您就可以了解阈值的效果。