OpenCV-Python-(9)-边缘检测

算法概述：

主流的边缘检测方法为：Canny边缘检测。

其主要步骤为：

1. 对图像进行降噪，常用高斯平滑
2. 计算图像的梯度
3. 对可能的边缘集合进行非极大值抑制
4. 双阈值过滤筛选

---

算法细节：

图像降噪：

梯度算子可以用于增强图像，本质上是通过增强边缘轮廓来实现的，也就是说是可以检测到边缘的。但是它们容易受噪声的影响。第一步就是想到要先去除噪声，因为噪声就是灰度变化很大的地方，所以容易被识别为伪边缘。去除图像中“我们不感兴趣”的“嘈杂”边缘。

计算图像梯度：

图像的梯度相当于2个相邻像素之间的差值。

计算图像梯度能够得到图像的边缘，因为梯度是灰度变化明显的地方，而边缘也是灰度变化明显的地方。当然这一步只能得到可能的边缘。因为灰度变化的地方可能是边缘，也可能不是边缘。这一步计算了所有可能是边缘的集合。

非极大值抑制：

通常灰度变化的地方都比较集中，灰度变化最大的保留下来，其它的不保留，这样可以剔除掉一大部分的点。将有多个像素宽的边缘变成一个单像素宽的边缘。即“胖边缘”变成“瘦边缘”。

双阈值筛选：

设置双阈值（low,high）

• 当图像的灰度梯度高于high时被认为是真的边缘。
• 那些低于low的边缘会被抛弃。
• 如果介于两者之间的话，如果其领域内有边缘，即这个点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。反之就抛弃。

这样做的目的是只保留强边缘轮廓的话，有些边缘可能不闭合。

---

代码实现：

import numpy as np
import cv2
image = cv2.imread(r'C:\Users\x\Desktop\za\92.jpg',0)
image = cv2.GaussianBlur(image, (5, 5), 0)
# 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,通过在边缘检测之前应用模糊，我们将帮助去除图像中“我们不感兴趣”的“嘈杂”边缘

canny = cv2.Canny(image, 30, 150)
# cv2.Canny(image, minVal, 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。
cv2.imshow("Blurred", image)
cv2.imshow("Canny", canny)
cv2.waitKey(0)

当然，你也可以自己指定Soble边缘算子求梯度：

import numpy as np
import cv2
image = cv2.imread(r'C:\Users\x\Desktop\za\92.jpg',0)
image = cv2.GaussianBlur(image, (5, 5), 0)

#图像梯度
xgrad = cv2.Sobel(image,cv2.CV_16SC1,1,0)
ygrad = cv2.Sobel(image,cv2.CV_16SC1,0,1)
#计算边缘
#50和150参数必须符合1：3或者1：2
canny = cv2.Canny(xgrad,ygrad,50,150)

cv2.imshow("Blurred", image)
cv2.imshow("Canny", canny)
cv2.waitKey(0)