Canny边缘检测
一,算法步骤
二,数学解释
三,代码实现
一,算法步骤
- 1 使用高斯滤波器,以平滑图像,滤除噪声。—去噪
- 2 计算图像中每个像素点的梯度强度和方向。–梯度和方向
- 3 应用非极大值(Non-Maximum Suppression)抑制,以消除边缘检测带来的杂散响应。–滤除
- 4 应用双阈值(Double-Threshold)检测来确定真实的和潜在的边缘。–双阈值
- 5 通过抑制孤立的弱边缘最终完成边缘检测。–孤立弱边缘
二,数学解释
-
1 高斯滤波器
H是一个已经归一化后的内核,通过原始图像A与H进行卷积,实现高斯滤波器的平滑操作。 -
2 梯度与方向
图像的边缘是一张图像像素值变化最快的地方,通过计算图像的梯度,可以得到图像的边缘,因为边缘也是灰度变化明显,梯度灰度变化也明显。
这一步可以检测到可能的边缘。由于灰度变化大的地方可能是边缘,也可能不是边缘,但这一步将所有可能是边缘的地方集合。 此处使用Sobel算子:
-
3 非极大值抑制
通常灰度变化的地方都比较集中,将局部范围内的梯度方向上,灰度变化最大的保留下来,其它的不保留,这样可以剔除掉一大部分的点。将有多个像素宽的边缘变成一个单像素宽的边缘。即“胖边缘”变成“瘦边缘”。
主要使用线性插值法来判断灰度变化的程度。
如下为插值法简化之后的方法。
通过非极大值抑制后,仍然有很多的可能边缘点,进一步的设置一个双阈值,即低阈值(low),高阈值(high)。灰度变化大于high的,设置为强边缘像素,低于low的,剔除。在low和high之间的设置为弱边缘。进一步判断,如果其领域内有强边缘像素,保留,如果没有,剔除。
三,代码实现
img=cv2.imread("lena.jpg",cv2.IMREAD_GRAYSCALE)
v1=cv2.Canny(img,80,150)# (img,min,max) min小,则边界多,min大,边界少,边界线条的多少
v2=cv2.Canny(img,50,100)
res = np.hstack((v1,v2))
cv_show(res,'res')
效果:通过修改最小值和最大值,可以观察到v1和v2的区别,v2多了更多的线条。
img=cv2.imread("girl.jpg",cv2.IMREAD_GRAYSCALE)
v1=cv2.Canny(img,120,250)
v2=cv2.Canny(img,50,100)
res = np.hstack((img,v1,v2))
cv_show(res,'res')
效果: