机器学习（14）--经典边缘检测canny算法（计算机视觉从0到1）

最近要做计算机视觉HED网络，可是对于计算机视觉（CV）不懂，对于边缘检测也不懂，从0开始学习，把这个学习过程记录一下。其实canny算法和HED网络基本没有关联，只是对于CV入门一下记录一下

---

上一篇:机器学习（13）--apriori算法（挖掘关联规则的频繁项集算法）

https://blog.csdn.net/qq_36187544/article/details/89184879

下一篇：机器学习（15）--HED网络实现（opencv+python实现边缘检测及源代码百度云资源）https://blog.csdn.net/qq_36187544/article/details/89839398

---

主要参考：https://www.cnblogs.com/invisible2/p/9177018.html和https://www.cnblogs.com/mightycode/p/6394810.html

首先要了解几个基本概念：

图是由点组成的，而点可以是黑白或者RGB三色组成，所以一个点，可以表示为一个数字（黑白图像）或者3个数字（RGB彩图）（搜索图像通道有更多通道的应用和介绍），比如一个由28×28个点组成的黑白图像就可转换为28×28的矩阵。

图像的卷积滤波：图像是有噪声的，对于去噪就采用信号处理方法，滤波处理，如下经典图，将一个3×3区域与卷积核相乘得到一个新值作为新的图像数据，不断滑动窗口，将整个图像进行卷积操作（当然有很多注意事项，比如如果卷积核所有元素和值大于1，则图像会越来越亮。比如对于边界的处理，如图3×3矩阵卷积后最外围一圈没有改变，可直接放入作为新图像也可省略缩小图像等）

卷积滤波原理稍微有点难懂，记住卷积滤波是进行滤波，作用是去噪。

不同卷积核结果不同：

空卷积核，得到原图：

锐化滤波，加大中心点值：

核加大的锐化滤波，更加精细：

浮雕：

---

高斯滤波（高斯模糊）：

应用高斯函数即正态分布密度函数的规则（主要是二维正态分布），将权重矩阵（卷积核）变为：

这样一来就能达到一个有效去噪的目的。

题外话：在PS中也有高斯模糊的操作，居然是算法做出来的，计算机视觉、数学真的让人惊叹

---

进入canny算法之前先说一下边缘检测，什么是边缘检测，目的是标识数字图像中亮度变化明显的点。就是把边缘检测出来，下左图为原图，后两张为边缘检测后处理图像：

应用：比如识别二维码，把摄像头打开，一直检测检测，突然检测到了二维码，滴~，识别成功，第一步就是边缘检测，检测到是否有二维码图像，将识别到的矩阵4顶点，截取出来进行下一步识别！

---

canny算法如下：

步骤	作用	原理
高斯模糊	去除噪声	噪声集中于高频信号，利用高斯滤波的方法进行过滤
计算梯度幅值和方向	得到边缘	常用边缘差分算子（如Rober，Prewitt，Sobel）计算，使用sobel算子计算梯度。相对于其他边缘算子，Sobel算子得出来的边缘粗大明亮。
非最大值抑制	边缘细化	非最大值抑制能帮助保留局部最大梯度而抑制所有其他梯度值。这意味着只保留了梯度变化中最锐利的位置。
双阀值	区分边缘像素	缘像素点梯度值大于高阀值，则被认为是强边缘点。如果边缘梯度值小于高阀值，大于低阀值，则标记为弱边缘点。小于低阀值的点则被抑制掉。
滞后边界跟踪	整合弱边缘	强边缘点可以认为是真的边缘。弱边缘点则可能是真的边缘，也可能是噪声或颜色变化引起的。 算法：搜索所有连通的弱边缘，如果一条连通的弱边缘的任何一个点和强边缘点连通，则保留这条弱边缘，否则抑制这条弱边缘。搜索时可以用广度优先或者深度优先算法

---

canny算法缺点：canny 算法的检测效果，依赖于几个阈值参数，这些阈值参数的选择，通常都是人为设置的经验值。虽然有这些阈值参数，但是最终的参数只是一组或少数几组固定的组合，所以算法的鲁棒性又会打折扣，很容易遇到边缘检测效果不理想的场景

不同阈值造成的canny结果不一样：

利用cv2模块进行CANNY边缘检测：

import cv2
import numpy as np
img = cv2.imread('image0.jpg',1)
imgInfo = img.shape
height = imgInfo[0]
width = imgInfo[1]
cv2.imshow('src',img)

# canny: 1.将彩图转为灰度 2. 高斯 3.canny

# 灰度化
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
# 高斯滤波
# 参数一: 灰度图像数据 参数二: 模板大小 参数三: sigmaX
imgG = cv2.GaussianBlur(gray,(3,3),0)
# 参数一: 图片数据 参数二: 两个阈值
dst = cv2.Canny(img,50,50) # 图片卷积之后的值 大于 th 就认为是边缘点
cv2.imshow('dst',dst)
cv2.waitKey(0)