Canny边缘检测算法是由4步构成,分别介绍如下:
-
第一步:噪声去除
由于噪声会影响边缘检测的准确性 ,所以首先使用高斯滤波器去除噪声,在图像平滑那一章节中已经介绍过。
-
第二步:计算图像梯度
对平滑后的图像使用 Sobel 算子计算水平方向和竖直方向的一阶导数(Gx 和 Gy)。根据得到的这两幅梯度图(Gx 和 Gy)找到边界的梯度和方向,公式如下:
如果某个像素点是边缘,则其梯度方向总是与边缘垂直。梯度方向被归为四类:垂直,水平,和两个对角线方向。
-
第三步:非极大值抑制
在获得梯度的方向和大小之后,对整幅图像进行扫描,去除那些非边界上的点,得到局部最大值的像素点。对每一个像素进行检查,看这个点的梯度是不是周围具有相同梯度方向的点中最大的。如下图所示:
A点位于图像的边缘,在其梯度变化方向,选择像素点B和C,用来检验A点的梯度是否为极大值,若为极大值,则进行保留,否则A点被抑制,最终的结果是具有“细边”的二进制图像(这是最初的边界)。
-
第四步:滞后阈值
现在要确定真正的边界,我们还要对第三步得到的像素点再进行筛选和处理,我们设置两个阈值: minVal 和 maxVal。 当图像的灰度梯度高于 maxVal 时被认为是真的边界, 低于 minVal 的边界 会被抛弃 。如果介于两者之间的话,就要看这个点是否与某个被确定为真正的边界点相连(判断两个像素点是否相连是根据连通性进行判断),如果是就认为它也是边界点,如果不是就抛弃。如下图:
如上图所示,A 高于阈值 maxVal 所以是真正的边界点,C 虽然低于 maxVal 但高于 minVal 并且与 A 相连,所以也被认为是真正的边界点。而 B 就会被抛弃,因为低于 maxVal 而且不与真正的边界点相连。所以选择合适的 maxVal 和 minVal 对于能否得到好的结果非常重要。
在OpenCV中要实现Canny检测使用的API:
canny = cv2.Canny(image, threshold1, threshold2)
参数:
-
image:灰度图,
-
threshold1: minval,较小的阈值将间断的边缘连接起来,它的值一般不会超过20
-
threshold2: maxval,较大的阈值检测图像中明显的边缘,它的值一般介于100-150之间
示例:
import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
# 1 图像读取
img = cv.imread('./image/horse.jpg',0)
# 2 Canny边缘检测
lowThreshold = 0
max_lowThreshold = 100
canny = cv.Canny(img, lowThreshold, max_lowThreshold)
# 3 图像展示
plt.figure(figsize=(10,8),dpi=100)
plt.subplot(121),plt.imshow(img,cmap=plt.cm.gray),plt.title('原图')
plt.xticks([]), plt.yticks([])
#Canny边缘图像显示的是梯度值,也就是说原图像中每个像素点的灰度值由梯度值代替(但是由第三步:非极大值抑制和第四步:滞后阈值可知,不满足条件的的像素点的梯度值都置为0,满足条件的梯度值设置为255,所以经过canny处理后的图像的灰度值只有两个取值,0和255,它相当于二值图)
plt.subplot(122),plt.imshow(canny,cmap = plt.cm.gray),plt.title('Canny检测后结果')
plt.xticks([]), plt.yticks([])
plt.show()
程序运行结果展示: