OpenCV-Python图像处理：Canny边缘检测

本 文 目 录 ：

前言：Canny边缘检测算法介绍

1. 高斯滤波器（GaussianBlur）     

2. 梯度和方向 （Sobel算子）

3. 非极大值抑制（NMS）

4. 双阈值检测

5. Canny边缘检测代码实现

---

前言：Canny边缘检测算法介绍

canny边缘检测是一种一阶微分算子检测算法，是迄今为止讨论的边缘检测子中最优秀的。Canny（坎尼）方法基于以下三个基本目标：

• 1）低错误率。所有边缘都应被找到，并且不能有虚假响应；
• 2）边缘点精确定位。已定位的边缘必须应该尽可能接近真实边缘，也就是说，由检测子标记为边缘的一点和真实边缘的中心之间的距离应最小。
• 3）单个边缘点响应。对于每个真实的边缘点，检测子应只返回一个点。也就是说，真实边缘周围的局限最大数应是最小的。这意味着检测子不应识别只存在单个边缘点的多个边缘像素。

Canny的工作本质是，从数学表达了上述三个准则，并试图找到这些公式的最优解。Canny边缘检测在一阶微分算子的基础上，增加了非最大值抑制和双阈值两项改进。利用非极大值抑制不仅可以有效地抑制多响应边缘，而且还可以提高边缘的定位精度；利用双阈值可以有效减少边缘的漏检率。canny边缘检测算法的步骤小结如下：

• 1）使用高斯滤波器平滑输入图像，滤除噪声；
• 2）计算梯度幅度图像和角度图像；
• 3）对梯度幅度图像应用非极大值抑制（Non-maximum Suppression），以消除边缘检测带来的杂散响应；
• 4）使用双阈值（Double Thresholding）处理和连通性分析来检测与连接边缘。

1. 高斯滤波器（GaussianBlur）     

高斯滤波是一种线性平滑滤波器，对于服从正态分布的噪声有很好的抑制作用。在实际场景中，我们通常会假定图像包含的噪声为高斯白噪声，所以在许多实际应用的预处理部分，都会采用高斯滤波抑制噪声。   

高斯滤波和均值滤波一样，都是利用一个掩膜和图像进行卷积求解。不同之处在于：均值滤波器的模板系数都是相同的，为1。而高斯滤波器的模板系数，随着距离模板中心距离的增大，系数减小（服从二维高斯分布）。所以，高斯滤波器相比于均值滤波器而言，对图像模糊程度较小，更能保持图像的整体细节。

二维的高斯函数如下：其中 (x , y)为坐标， σ 为标准差：

  不同尺寸的滤波器，得到的值也不同，下面是 (2k+1)x(2k+1) 滤波器的计算公式 :

例如，标准差\sigma =1.3 的 3*3 的整数形式的高斯滤波器如下（归一化处理）：

2. 梯度和方向 （Sobel算子）

接下来，我们要寻找边缘，在这张圆中，梯度即为边界点，即灰度强度变化最强的位置（一道黑边一道白边中间就是边缘，它的灰度值变化是最大的）。Sobel算子就是找到这些存在梯度的边缘位置（边缘检测）。

在图像中，用梯度来表示灰度值的变化程度和方向。我们引入Gx和Gy来处理水平和竖直两个方向的梯度。Gx是用图像右边的数据减去左边的数据来比较大小，Gy是用图像下边的数据减去上边的数据来比较大小，以此判断像素周围是否存在梯度。（请参考：OpenCV-Python中的图像处理）

3. 非极大值抑制（NMS）

在目标检测任务中，一个目标可能会被多个边界框检测到，这些边界框可能会有不同的位置和大小，但表示同一个目标。非极大值抑制（Non-Maximum Suppression，NMS）是一种常用的方法，用于抑制这些重叠的边界框，只保留置信度最高的那个边界框，从而得到最终的目标检测结果。

NMS算法原理

• 1）首先，对所有的边界框按照其置信度进行排序，置信度最高的边界框排在最前面。
• 2）从置信度最高的边界框开始，依次遍历其余边界框。
• 3）对于当前遍历到的边界框，如果它与前面已经保留的边界框的重叠程度（通过计算IOU值）大于一定阈值（比如0.5），那么就将其抑制掉，不保留。
• 4）继续遍历下一个边界框，重复上述过程，直到所有的边界框都被处理完毕。

点A位于图像边缘垂直方向，梯度方向垂直于边缘，点B和点C位于梯度方向。因此，检查点 A 和点 、点 C，确定点A是否是局部最大值。如果点 A 是局部最大值，则继续下一个阶段；如果点 A 不是局部最大值，则其被抑制设为0。

4. 双阈值检测

在进行了非极大值抑制之后，剩余的梯度像素已经可以较准确地表示图像中的实际边缘了。但是，还可能仍然存在一些由于噪声和颜色变化引起的一些伪边缘存在。为了解决这些杂散的伪边缘响应，必须要对梯度像素再过滤一遍。    

处理思路：

• 人工给定两个阈值，一个是低阈值TL，一个高阈值TH，
• 如果边缘像素的梯度值高于高阈值，则将其标记为强边缘像素，该位置的像素值置255；
• 如果边缘像素的梯度值小于高阈值并且大于低阈值，则将其标记为弱边缘像素；
• 如果边缘像素的梯度值小于低阈值，则会被抑制，该位置的像素值置0。

双阈值检测： 

如果边缘像素的值高于高阈值，将其标记为强边缘像素；如果边缘像素值小于高阈值但大于低阈值，则将其标记为弱边缘像素；如果边缘像素值小于低阈值，则会被抑制。

通过这样的处理，NMS可以抑制掉大量重叠的边界框，只保留最好的那个边界框，从而得到最终的目标检测结果。这种方法虽然简单，但是在实践中非常有效，已经被广泛应用于各种目标检测任务中。

5. Canny边缘检测代码实现

OpenCV提供了函数cv2.Canny（）来实现Canny边缘检测，其语法形式如下：         

• 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）。一般令L2gradient为默认值。     

import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread("./liuyifei.jpg",cv2.IMREAD_GRAYSCALE)
v1 = cv2.Canny(img, 100, 200)   # 80为minVal(越小标准越低), 150为maxVal（越小标准越低）
v2 = cv2.Canny(img, 50, 100)
res = np.hstack((img,v1, v2))
cv2.imshow('res', res)
cv2.waitKey(0)
cv2.destroyAllWindows()

从上图可以看出，minVal和maxVal值越低时，能够捕捉到更多梯度的信息，进而使图像的线条更为丰富，但也要根据自己的研究目的合理设置阈值。