一、理论支持
因为边缘检测,容易受到噪声的干扰,所以第一步就是降噪。一般使用 5 X 5 的高斯滤波器进行过滤。
非极大值抑制:使用Sobel滤波器,只有在检测到边缘的时候,才会保留边缘像素,否则,就全部置零。(深度学习CNN基础深度学习边缘检测篇部分有关内容)
磁滞阈值:该阶段确定哪些边缘全部是真正的边缘,哪些不是。为此,我们需要两个阈值minVal 和maxVal。强度梯度大于maxVal 的任何边缘必定是边缘,而小于minVal 的那些边缘必定是非边缘,因此将其丢弃。介于这两个阈值之间的对象根据其连通性被分类为边缘或非边缘。如果将它们连接到“边缘”像素,则将它们视为边缘的一部分。否则,它们也将被丢弃。
二、代码实现
在OpenCV中,我们利用cv.Canny函数,就能轻易地进行边缘。
import cv2 as cv
#读取需要进行边缘检测的图片
img=cv.imread("text.jpg")
#Trackbar的回调函数,我们这里什么也不做
def nothing(x):
pass
#创建一个边缘检测Edges窗口
cv.namedWindow("Edges")
#创建Canny中maxVal和minVal数值滑动条
cv.createTrackbar("maxVal","Edges",100,1000,nothing)
cv.createTrackbar("minVal","Edges",50,1000,nothing)
#创建一个开关,方便我们切换查看原图和边缘检测后的图
switch="0:OFF\n1:ON"
cv.createTrackbar(switch,"Edges",0,1,nothing)
#初始化minVal和maxVal
minVal,maxVal=50,100
edges = cv.Canny(img, minVal, maxVal)
#实时更新图片显示
while(1):
cv.imshow("Edges", edges)
k=cv.waitKey(1)
if k == 27:
break
#获取Trackbar数值
maxVal = cv.getTrackbarPos("maxVal", "Edges")
minVal = cv.getTrackbarPos("minVal", "Edges")
#设置开关,0为原图,1为边缘检测后的图片
s = cv.getTrackbarPos(switch, "Edges")
if s==0:
edges =img
else:
edges = cv.Canny(img, minVal, maxVal)
#最后不要忘记销毁窗口
cv.destorayWindows()
三、实际表现
通过拖动两个滑动条,我们可以直观感受磁滞阈值对Canny边缘检测的影响。
四、总结
Canny边缘检测优于开运算和闭运算,它能发现人眼识别不出的图像细节。但是它的两个超级参数super parameters 比较难以掌控,我们是否可以通过机器学习的方法,让它自动寻找这两个超级参数呢?