OpenCV：入门（六）

ma_no_lo

于 2024-05-25 11:39:25 发布

阅读量986

点赞数 28

分类专栏： OpenCV 文章标签： opencv 人工智能计算机视觉图像处理 python 深度学习

本文链接：https://blog.csdn.net/ma_no_lo/article/details/139193982

版权

OpenCV 专栏收录该内容

6 篇文章 1 订阅

订阅专栏

Canny边缘检测

一，Canny 边缘检测基础

Canny 边缘检测分为如下几个步骤。

步骤 1：去噪。噪声会影响边缘检测的准确性，因此首先要将噪声过滤掉。

步骤 2：计算梯度的幅度与方向。

步骤 3：非极大值抑制，即适当地让边缘“变瘦”。

步骤 4：确定边缘。使用双阈值算法确定最终的边缘信息。

（1）应用高斯滤波去除图像噪声

由于图像边缘非常容易受到噪声的干扰，因此为了避免检测到错误的边缘信息，通常需要对图像进行滤波以去除噪声。滤波的目的是平滑一些纹理较弱的非边缘区域，以便得到更准确的边缘。在实际处理过程中，通常采用高斯滤波去除图像中的噪声。

在之前文章中我们已经提及过高斯滤波的原理和使用，在这里我们简单回顾一下：

如图，左图是原始图像（o），它与一个卷积核相乘并将运算结果替换掉目标元素（226 --> 138），高斯滤波器应用平均值卷积核，所以要乘个1/56。

在滤波过程中，我们通过滤波器对像素点周围的像素计算加权平均值，获取最终滤波结果。对于高斯滤波器 T，越临近中心的点，权值越大。

当然，高斯滤波器（高斯核）并不是固定的，例如它还可以是：

滤波器的大小也是可变的，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。通常来说，一个 5×5 的核能够满足大多数的情况。

（2）计算梯度

在上一篇文章中我们提及过计算梯度的三个算子：Sobel，Scharr，Laplacian算子，在这里我们就不再赘述原理部分了。此刻我们更加关注方向：梯度的方向与边缘的方向是垂直的。

边缘检测算子返回水平方向的Gx和垂直方向的Gy。梯度的幅度G和方向Θ（用角度值表示）为：

atan2(•)表示具有两个参数的 arctan 函数。

梯度的方向总是与边缘垂直的，通常就近取值为水平（左、右）、垂直（上、下）、对角线（右上、左上、左下、右下）等 8 个不同的方向。

因此，在计算梯度时，我们会得到梯度的幅度和角度（代表梯度的方向）两个值。

如图，每一个梯度包含幅度和角度两个不同的值。为了方便观察，这里使用了可视化表示方法。例如，左上角顶点的值“2↑”实际上表示的是一个二元数对“(2, 90)”，表示梯度的幅度为 2，角度为 90°。

（3）非极大值抑制

在获得了梯度的幅度和方向后，遍历图像中的像素点，去除所有非边缘的点。在具体实现时，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。通过以上描述可知，该步骤是边缘细化的过程。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）。

如图，A、B、C 三点具有相同的方向（梯度方向垂直于边缘）。判断这三个点是否为各自的局部最大值：如果是，则保留该点；否则，抑制该点（归零）。

经过比较判断可知，A 点具有最大的局部值，所以保留 A 点（称为边缘），其余两点（B 和 C）被抑制（归零）。

如图，黑色背景的点都是向上方向梯度（水平边缘）的局部最大值。因此，这些点会被保留；其余点被抑制（处理为 0）。这意味着，这些黑色背景的点最终会被处理为边缘点，而其他点都被处理为非边缘点。

“正/负梯度方向上”是指相反方向的梯度方向。例如，在图 10-5 中，黑色背景的像素点都是垂直方向梯度（向上、向下）方向上（即水平边缘）的局部最大值。这些点最终会被处理为边缘点。

经过上述处理后，对于同一个方向的若干个边缘点，基本上仅保留了一个，因此实现了边缘细化的目的。

（4）应用双阈值确定边缘

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。

如下图，左图显示的是三个边缘信息，右图是对边缘信息进行分类的示意图，具体划分如下：

A 点的梯度值值大于 maxVal，因此 A 是强边缘。
B 和 C 点的梯度值介于 maxVal 和 minVal 之间，因此 B、C 是虚边缘。
D 点的梯度值小于 minVal，因此 D 被抑制（抛弃）。

下图就是上图的处理结果，其中：

B点的梯度值介于maxVal 和 minVal之间，是虚边缘，但该点与强边缘不相连，故将其抛弃。
C点的梯度值介于maxVal 和 minVal之间，是虚边缘，但该点与强边缘 A 相连，故将其保留。

注意，高阈值 maxVal 和低阈值 minVal 不是固定的，需要针对不同的图像进行定义。

二，Canny 函数及使用

（1）函数解析

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）。

（2）代码示例

import cv2
import numpy as np
import matplotlib.pyplot as plt
if __name__ == '__main__':
        img = cv2.imread("street.jpg",cv2.IMREAD_GRAYSCALE)
        canny_tight = cv2.Canny(img,100,150)
        canny_loose = cv2.Canny(img,50,150)
        plt.subplot(121),plt.imshow(canny_tight),plt.title("Canny_Tight")
        plt.subplot(122),plt.imshow(canny_loose),plt.title("Canny_Loose")
        plt.show()
        cv2.waitKey(0)

对比发现右图细节明显更多，这是因为我们放宽了边缘的限制。但是这幅图噪声不多，接下来我们使用具有噪声的图像观察一下：

import cv2
import numpy as np
import matplotlib.pyplot as plt
if __name__ == '__main__':
        img = cv2.imread("lenaNoise.png",cv2.IMREAD_GRAYSCALE)
        canny_tight = cv2.Canny(img,100,150)
        canny_loose = cv2.Canny(img,50,150)
        plt.subplot(121),plt.imshow(canny_tight),plt.title("Canny_Tight")
        plt.subplot(122),plt.imshow(canny_loose),plt.title("Canny_Loose")
        plt.show()
        cv2.waitKey(0)

虽然可以调参来增加鲁棒性，但是我试过之后好像也没太大用，这里我们对图像进行一个预处理，使用中值滤波先处理一下，虽然会降低一定精度，但是可以有效降低噪声。

import cv2
import numpy as np
import matplotlib.pyplot as plt
if __name__ == '__main__':
        img = cv2.imread("lenaNoise.png",cv2.IMREAD_GRAYSCALE)
        img = cv2.medianBlur(img,5)
        canny_tight = cv2.Canny(img,100,150)
        canny_loose = cv2.Canny(img,5,150)
        plt.subplot(121),plt.imshow(canny_tight),plt.title("Canny_Tight")
        plt.subplot(122),plt.imshow(canny_loose),plt.title("Canny_Loose")
        plt.show()
        cv2.waitKey(0)

这里我们把minval降到一个非常低的值，这是因为中值滤波把很多细节给处理掉了，为了补偿这部分，我们降低minVal来增加细节。