Canny边缘检测

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。

• 4双阈值检测

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：