openCV——Canny边缘检测

Canny边缘检测

import cv2 #opencv读取的格式是BGR
import numpy as np
import matplotlib.pyplot as plt#Matplotlib是RGB
%matplotlib inline 

Canny 边缘检测分为如下几个步骤：

1. 去噪：噪声会影响边缘检测的准确性，因此首先要用高斯滤波将噪声过滤掉
2. 计算梯度的幅度与方向
3. 非极大值抑制，即适当地让边缘“变瘦”
4. 确定边缘。使用双阈值算法确定最终的边缘信息

高斯滤波去噪

高斯核的大小对于边缘检测的效果具有很重要的作用。滤波器
的核越大，边缘信息对于噪声的敏感度就越低。不过，核越大，边缘检测的定位错误也会随之
增加。

计算梯度的幅度与方向

非极大值抑制

逐一遍历像素点，判断当前像素点是否是周围像素点中具有相同梯度方向的最大值，并根
据判断结果决定是否抑制该点，针对每一个像
素点：

• 如果该点是正/负梯度方向上的局部最大值，则保留该点。
• 如果不是，则抑制该点（归零）

双阈值确定边缘

完成上述步骤后，图像内的强边缘已经在当前获取的边缘图像内。但是，一些虚边缘可能
也在边缘图像内。这些虚边缘可能是真实图像产生的，也可能是由于噪声所产生的。对于后者，
必须将其剔除。
设置两个阈值，其中一个为高阈值 maxVal，另一个为低阈值 minVal。根据当前边缘像素
的梯度值（指的是梯度幅度，下同）与这两个阈值之间的关系，判断边缘的属性。具体步骤为：

1. 如果当前边缘像素的梯度值大于或等于 maxVal，则将当前边缘像素标记为强边缘。
2. 如果当前边缘像素的梯度值介于 maxVal 与 minVal 之间，则将当前边缘像素标记为虚边缘（需要保留）。
3. 如果当前边缘像素的梯度值小于或等于 minVal，则抑制当前边缘像素。

在上述过程中，我们得到了虚边缘，需要对其做进一步处理。一般通过判断虚边缘与强边
缘是否连接，来确定虚边缘到底属于哪种情况。通常情况下，如果一个虚边缘：

• 与强边缘连接，则将该边缘处理为边缘。
• 与强边缘无连接，则该边缘为弱边缘，将其抑制。

API

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

• edges 为计算得到的边缘图像
• image 为 8 位输入图像
• threshold1 表示处理过程中的第一个阈值
• threshold2 表示处理过程中的第二个阈值
• apertureSize 表示 Sobel 算子的孔径大小
• L2gradient 为计算图像梯度幅度（gradient magnitude）的标识。其默认值为 False。如果
  为 True，则使用更精确的 L2 范数进行计算（即两个方向的导数的平方和再开方），否
  则使用 L1 范数（直接将两个方向导数的绝对值相加）

def cvshow(name, ndarray):
    # 第一个参数表示显示窗口的名字，第二个参数表示数据
    cv2.imshow(name, ndarray)
    # 表示等待多久窗口关闭，毫秒单位。0表示按任意键结束
    cv2.waitKey(0)
    cv2.destroyAllWindows()

lena = cv2.imread("lena.jpg", cv2.IMREAD_GRAYSCALE)
cvshow("lena", lena)

# 对比两种阈值设置的区别
canny1 = cv2.Canny(lena, 120, 200)
canny2 = cv2.Canny(lena, 60, 60)
res = np.hstack((canny1, canny2))
cvshow("res", res)