Canny边缘检测

0.参考

Canny 边缘检测 — OpenCV 2.3.2 documentation

OpenCV-Python教程（8、Canny边缘检测）_sunny2038的专栏-CSDN博客

1.原理

Canny 边缘检测算法 是 John F. Canny 于 1986年开发出来的一个多级边缘检测算法，也被很多人认为是边缘检测的 最优算法, 最优边缘检测的三个主要评价标准是:

• 低错误率: 标识出尽可能多的实际边缘，同时尽可能的减少噪声产生的误报。
• 高定位性: 标识出的边缘要与图像中的实际边缘尽可能接近。
• 最小响应: 图像中的边缘只能标识一次。

2.步骤

（1）消除噪声。

使用高斯平滑滤波器卷积降噪。 下面显示了一个 的高斯内核示例:

（2）计算梯度幅值和方向。

        此处，按照Sobel滤波器的步骤:

        a.运用一对卷积阵列 (分别作用于 x 和y  方向):

        b.使用下列公式计算梯度幅值和方向:

        梯度方向近似到四个可能角度之一(一般 0, 45, 90, 135)

（3）非极大值抑制

        这一步排除非边缘像素，仅仅保留了一些细线条（候选边缘）

（4）滞后阈值

        最后一步，Canny 使用了滞后阈值，滞后阈值需要两个阈值(高阈值和低阈值):

        a.如果某一像素位置的幅值超过高阈值，该像素被保留为边缘像素。
        b.如果某一像素位置的幅值小于低阈值，该像素被排除。
        c.如果某一像素位置的幅值在两个阈值之间，该像素仅仅在连接到一个高于高闽值的像素时被保留。
        Canny 推荐的高低阈值比在2：1到3：1之间。

3.Canny函数接口

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

->	edges

cv.Canny(	
            dx, 
            dy, 
            threshold1, 
            threshold2[, edges[, L2gradient]]	
) 

->	edges

Parameters

image	需要处理的原图像，该图像必须为单通道的灰度图；
dx	16-bit x derivative of input image (CV_16SC1 or CV_16SC3).
dy	16-bit y derivative of input image (same type as dx).
edges	output edge map; single channels 8-bit image, which has the same size as image .
threshold1	first threshold for the hysteresis procedure.
threshold2	second threshold for the hysteresis procedure.
L2gradient	a flag, indicating whether a more accurate L2 norm =(dI/dx)2+(dI/dy)2−−−−−−−−−−−−−−−−√ should be used to calculate the image gradient magnitude ( L2gradient=true ), or whether the default L1 norm =|dI/dx|+|dI/dy| is enough ( L2gradient=false ).

其中较大的阈值2用于检测图像中明显的边缘，但一般情况下检测的效果不会那么完美，边缘检测出来是断断续续的。所以这时候用较小的第一个阈值用于将这些间断的边缘连接起来。
可选参数中apertureSize就是Sobel算子的大小。而L2gradient参数是一个布尔值，如果为真，则使用更精确的L2范数进行计算（即两个方向的倒数的平方和再开放），否则使用L1范数（直接将两个方向导数的绝对值相加）。

具体的算法可参见清华大学出版社的《图像处理与计算机视觉算法及应用(第2版) 》第二章，其中有Canny算法的详细描述及实现。

函数返回一副二值图，其中包含检测出的边缘。

4.测试代码

Canny函数内部并没有对图像进行很好地降噪，因此为了保证结果更准确，我们在调用Canny函数前常常会先通过高斯滤波降噪。

import cv2
import numpy as np
# 获取照片路径
path=r"C:\Users\Nobody\Desktop\Hand.JPG"
# 读取灰度照片
img=cv2.imread(path,0)
# 缩放
img1=cv2.resize(img,None,fx=0.5,fy=0.5)
# 高斯滤波
img_gaus=cv2.GaussianBlur(img1,(3,3),0)
# canny算子
img_canny=cv2.Canny(img_gaus,50,160)

imgs=np.hstack([img1,img_gaus,img_canny])
cv2.imshow('multi pic',imgs)
cv2.waitKey()

结果输出：