OpenCV学习(4.7) Canndy边缘检测

无妄无望

于 2024-06-08 17:59:30 发布

阅读量813

点赞数 29

文章标签： opencv 学习人工智能

本文链接：https://blog.csdn.net/planttheson/article/details/139537372

版权

1.目标

在本章中，我们将了解

Canny 边缘检测的概念
OpenCV 的功能： cv.Canny（）

Canny边缘检测是一种经典的边缘检测算法，由John F. Canny在1986年提出。Canny算法的目标是找到图像中真正的边缘，同时尽可能地抑制噪声。Canny算法包括以下几个步骤：

高斯模糊：使用高斯滤波器对图像进行平滑处理，以减少噪声的影响。
计算梯度：使用Sobel算子或其他差分算子计算图像的梯度，得到梯度的幅度和方向。
非极大值抑制：在梯度方向上，保留局部梯度最大值点，从而得到梯度幅值图像的边缘候选点。
双阈值处理：设置两个阈值，一个较低的阈值和一个较高的阈值。对梯度幅值图像进行阈值处理，将梯度值大于较高阈值的点作为强边缘，将梯度值介于两个阈值之间的点作为弱边缘。
边缘跟踪：使用双阈值和边缘梯度方向，进行边缘跟踪，得到最终的边缘图像。

2.1 高斯模糊（去噪声）

一般而言，图像边缘意味着亮度的剧烈变化，可以通过图像的二阶导也就是梯度来衡量，不过再此之前需要清楚噪声，因为噪声的周围亮度也存在变化，会影响边缘检测效果。所以首先需要用滤波器来清除噪声，椒盐噪声用中值滤波，高斯噪声用高斯滤波。

2.2 计算梯度

利用sobel算子算出中心点附近的分别沿 x轴和 y轴的差值

2.3 非极大值抑制

非极大值抑制（Non-Maximum Suppression，NMS）是图像处理中的一种常用技术，特别是在边缘检测中。它的基本原理是在图像的每个像素点上，如果该点的像素值不是在其梯度方向上的最大值，那么这个点的像素值将被抑制或设置为0。这样可以保留图像中的边缘，因为边缘通常在梯度方向上具有局部最大值。

具体来说，对于图像中的每个像素点(x,y)，我们首先计算该点的梯度方向。然后，我们沿着梯度方向在图像中滑动一个小的窗口（如3x3的窗口），并在窗口内找到梯度幅值的最大值。如果当前像素点的梯度幅值不是这个最大值，那么我们就将这个像素点的梯度幅值设置为0。

这个过程可以表示为：

计算图像 f(x,y) 在点(x,y) 的梯度方向 θ。
在梯度方向 θ 上，从点(x,y) 开始，滑动一个小的窗口（如3x3窗口）。
在这个窗口内，找到梯度幅值的最大值 M。
如果当前像素点的梯度幅值 f(x,y) 不等于 M，则将 f(x,y) 设置为0。

非极大值抑制的结果是一幅图像，其中保留了边缘，而噪声和其他非边缘区域被抑制。这个技术可以有效地突出图像中的边缘，并减少噪声的影响。

A 点位于边缘（垂直方向）。渐变方向与边缘垂直。 B 点和 C 点处于梯度方向。因此，用点 B 和 C 检查点 A，看它是否形成局部最大值。如果是这样，则考虑下一阶段，否则，它被抑制（归零）。简而言之，您得到的结果是具有“细边”的二进制图像。

2.4 双阈值处理

双阈值处理（Double Thresholding）是Canny边缘检测算法中的一个关键步骤，它用于确定哪些边缘是真正的边缘，哪些可能是由噪声引起的假边缘。这个步骤包括以下几个子步骤：

设置两个阈值：首先，需要选择两个阈值，通常用 T1 和 T2 表示，其中 T1<T2。这两个阈值用于区分强边缘和弱边缘。
边缘强度分类：对非极大值抑制后的图像进行阈值处理。将图像中的每个像素点的梯度幅值与两个阈值进行比较：
- 如果梯度幅值大于或等于 T2，则该点被认为是强边缘，并被标记为边缘点。
- 如果梯度幅值介于 T1 和 T2 之间，则该点被认为是弱边缘，并被暂时保留。
- 如果梯度幅值小于 T1，则该点不是边缘，通常被忽略。
边缘连接：对于弱边缘，需要检查它们是否与强边缘相连。如果一个弱边缘点与某个强边缘点相邻（在梯度方向上），那么这个弱边缘点也被认为是边缘点。
结果边缘图：最终得到的边缘图包含所有的强边缘和通过连接得到的弱边缘。

双阈值处理的关键在于选择合适的阈值 T1 和 T2。这两个阈值的选择会影响到边缘检测的准确性和鲁棒性。通常，T1 应该设置得比噪声水平略高，而 T2 应该设置得比 T1 高一些，以确保只有真正的边缘被保留。

双阈值处理有助于Canny算法在保持高检测率的同时，尽可能地减少错误检测。通过这种方式，算法能够区分真正的边缘和噪声，从而提供高质量的边缘检测结果。

边缘 A 高于 maxVal，因此被视为“确定边缘”。虽然边 C 低于 maxVal，但它连接到边 A，因此也被视为有效边，我们得到完整的曲线。但是边缘 B 虽然高于 minVal 并且与边缘 C 的区域相同，但它没有连接到任何“可靠边缘”，因此被丢弃。因此，我们必须相应地选择 minVal 和 maxVal 才能获得正确的结果。

在假设边是长线的情况下，该阶段也消除了小像素噪声。所以我们最终得到的是图像中的强边缘。

3. opencv的canny边缘检测

OpenCV 将以上所有内容放在单个函数中， cv.Canny（） 。我们将看到如何使用它。第一个参数是我们的输入图像。第二个和第三个参数分别是我们的 minVal 和 maxVal。第三个参数是 aperture_size。它是用于查找图像渐变的 Sobel 内核的大小。默认情况下，它是 3.最后一个参数是 L2gradient，它指定用于查找梯度幅度的等式。如果它是 True，它使用上面提到的更准确的等式，否则它使用这个函数： $$ Edge_Gradient ; (G) = |G_x| + |G_y| $$ 默认情况下，它为 False。

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
img = cv.imread('messi5.jpg',0)
edges = cv.Canny(img,100,200)
plt.subplot(121),plt.imshow(img,cmap = 'gray')
plt.title('Original Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(edges,cmap = 'gray')
plt.title('Edge Image'), plt.xticks([]), plt.yticks([])
plt.show()