Canny边缘检测
Canny 边缘检测是一种非常流行的边缘检测算法,是 John F.Canny 在1986 年提出的。它是一个有很多步构成的算法,我们接下来会逐步介绍。
1.噪声去除
由于边缘检测很容易受到噪声影响,所以第一步是使用 5x5 的高斯滤波器去除噪声,这个前面我们已经学过了。
2.计算图像梯度
对平滑后的图像使用 Sobel 算子计算水平方向和竖直方向的一阶导数(图像梯度)(Gx 和 Gy)。根据得到的这两幅梯度图(Gx 和 Gy)找到边界的梯度和方向,公式如下:
G
=
(
G
x
2
+
G
y
2
)
G=\sqrt{(G_x^2+G_y^2 )}
G=(Gx2+Gy2)
θ
=
t
a
n
−
1
(
G
x
G
y
)
\theta=tan^{-1}(\frac{G_x}{G_y})
θ=tan−1(GyGx)
梯度的方向一般总是与边界垂直。梯度方向被归为四类:垂直,水平,和两个对角线。
3.非极大值抑制
在获得梯度的方向和大小之后,应该对整幅图像做一个扫描,去除那些非边界上的点。对每一个像素进行检查,看这个点的梯度是不是周围具有相同梯度方向的点中最大的。如下所示:
上图中的数字代表了像素点的梯度强度,箭头方向代表了梯度方向。以第二排第三个像素点为例,由于梯度方向向上,则将这一点的强度(7)与其上下两个像素点的强度(5和4)比较,由于这一点强度最大,则保留。
4.滞后阈值
现在要确定那些边界才是真正的边界。这时我们需要设置两个阈值:minVal 和 maxVal。当图像的灰度梯度高于 maxVal 时被认为是真的边界,那些低于 minVal 的边界会被抛弃。如果介于两者之间的话,就要看这个点是否与某个被确定为真正的边界点相连,如果是就认为它也是边界点,如果不是就抛弃。如下图:
A 高于阈值 maxVal 所以是真正的边界点, B 虽然低于 maxVal 但高于minVal 并且与 A 相连,所以也被认为是真正的边界点。而 C 就会被抛弃,因为他不仅低于 maxVal 而且不与真正的边界点相连。D也会被抛弃,因为低于minVal。所以选择合适的 maxVal和 minVal 对于能否得到好的结果非常重要。在这一步一些小的噪声点也会被除去,因为我们假设边界都是一些长的线段。
Canny使用
在 OpenCV 中只需要一个函数: cv2.Canny(),就可以完成以上几步。让我们看如何使用这个函数。这个函数的第一个参数是输入图像。第二和第三个分别是 minVal 和 maxVal。第四个参数设置用来计算图像梯度的 Sobel卷积核的大小,默认值为 3。最后一个参数是 L2gradient,它可以用来设定求梯度大小的方程。如果设为 True,就会使用我们上面提到过的方程: G = ( G x 2 + G y 2 ) G=\sqrt{(G_x^2+G_y^2 )} G=(Gx2+Gy2),否则使用方程: G = ∣ G x 2 ∣ + ∣ G y 2 ∣ G=|G_x^2|+|G_y^2| G=∣Gx2∣+∣Gy2∣代替,默认值为 False。
下面就举个例子:
def edge(image, minVal=100, maxVal=200):
image = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
edges = cv2.Canny(image, minVal, maxVal)
plt.imshow(edges,'gray')
plt.axis('off')
plt.show()
edge(image)
不同阈值,不同的情况
images = cv2.cvtColor(images, cv2.COLOR_RGB2GRAY)
images = cv2.GaussianBlur(images,(3,3),0)
value = [(10,150),(100,200),(180,230)]
plt.figure(figsize=(20,5))
for i,(minVal,maxVal) in enumerate(value):
plt.subplot(1,3,i+1)
edges = cv2.Canny(images,minVal,maxVal)
edges = cv2.GaussianBlur(edges,(3,3),0)
plt.imshow(edges,'gray')
plt.title(str((minVal,maxVal)))
plt.axis('off')
plt.show()
自定义阈值
# 自动确定阈值的一种方法
def auto_canny(images, sigma=0.33):
v = np.median(images) # 取图像中的中值
lower = int(max(0, (1.0-sigma) * v)) # 计算阈值的最大值
upper = int(min(255, (1.0+sigma) * v)) # 计算阈值的最小值
edged = cv2.Canny(images, lower, upper)
print(lower,upper)
return edged
edges = auto_canny(images)
edges = cv2.GaussianBlur(edges, (3,3), 0)
plt.imshow(edges,'gray')
plt.axis('off')
plt.show()