边缘检测 OpenCV-Python v4.7.0

目标

在本章中，我们将了解到:

• Canny边缘检测的概念
• 用于检测的OpenCV函数：cv.Canny()

理论

Canny边缘检测是一种流行的边缘检测算法。它是由John F. Canny在2006年开发的。

• 1.它是一个多阶段的算法，我们将对每个阶段进行分析。
• 2.减少噪音

由于边缘检测容易受到图像中噪音的影响，第一步是用5x5高斯滤波器去除图像中的噪音。我们已经在前几章中看到了这一点。

• 3.寻找图像的强度梯度

然后用Sobel核对水平和垂直方向的平滑图像进行过滤，得到水平方向（Gx）和垂直方向（Gy）的第一导数。从这两幅图像中，我们可以找到每个像素的边缘梯度和方向，如下所示:
$$Edge\_Gradient(G)=\sqrt{G_x^2+G_y^2}$$
$$Angle\left(\theta \right)={\tan }^{-1}\left(\frac{G_y}{G_x}\right)$$
梯度方向总是垂直于边缘。它被四舍五入为四个角度之一，代表垂直、水平和两个对角线方向。

• 4.非最大限度的压制

在得到梯度大小和方向后，对图像进行全面扫描，以去除任何可能不构成边缘的不必要的像素。为此，在每一个像素点上，检查该像素点是否是梯度方向上其附近的局部最大值。请看下面的图片:

Gradient Direction:梯度方向
edge：边缘

点A在边缘上（垂直方向）。梯度方向是对边缘的法线。B点和C点处于梯度方向。因此，A点与B点和C点一起被检查，看它是否形成一个局部最大值。如果是，它就会被考虑到下一阶段，否则，它就会被压制（归为零）。

简而言之，你得到的结果是一个具有 "薄边缘 "的二进制图像。

• 5.滞后阈值处理

这个阶段决定哪些是真正的边缘，哪些不是。为此，我们需要两个阈值，minVal和maxVal。任何强度梯度大于maxVal的边缘都肯定是边缘，而那些低于minVal的边缘肯定是非边缘，所以被丢弃。那些位于这两个阈值之间的边，根据它们的连接性被分为边和非边。如果它们与 "确定的边缘 "像素相连，它们就被认为是边缘的一部分。否则，它们也会被丢弃。请看下面的图片：

maxVal：即maximum Value，极（最）大值
minVal：即minimum Value，极（最）小值

边A在maxVal之上，所以被认为是 “确定的边”。虽然边C低于maxVal，但它与边A相连，所以它也被认为是有效的边，我们得到了完整的曲线。但是边B，尽管它高于minVal，并且与边C在同一区域，但它没有与任何 "确定的边 "相连，所以它被丢弃了。因此，我们必须相应地选择minVal和maxVal来获得正确的结果，这一点非常重要。

这个阶段还在假设边缘是长线的基础上去除小像素的噪音。

因此，我们最终得到的是图像中的强边缘。

OpenCV中的Canny边缘检测

OpenCV将上述所有内容都放在一个函数中，即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。第四个参数是aperture_size。它是用于寻找图像梯度的Sobel核的大小。最后一个参数是L2gradient，它指定了用于寻找梯度大小的方程式。如果它是True，它使用上面提到的更精确的方程，否则它使用这个函数：
$$Edge\_Gradient(G)=|G_x|+|G_y|$$
默认情况下，它为 “假”。

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()

请看下面的结果：

其他资源

• 1.维基百科上的Canny边缘检测器
• 2.《Canny边缘检测教程》，作者Bill Green，2002年
  （Canny Edge Detection Tutorial by Bill Green, 2002.）

练习

写一个小程序来寻找Canny边缘检测，其阈值可以用两个轨迹杆来改变。这样，你就可以了解阈值的影响。