OpenCV Canny边缘检测

OpenCV Canny边缘检测

---

1、什么是边缘检测

  在计算机视觉领域，我们经常会用到边缘检测算法，从而提取我们想要的边界数据，例如人脸检测，行人检测等等。所以我们这里主要讲一下Canny这个边缘检测算法。

2、Canny边缘检测

具体流程：

• 高斯滤波：平滑图像，消除噪声
• 梯度和方向计算：利用Sobel算子计算每个像素点的梯度和方向
• 非极大值抑制：消除边缘检测带来的杂散相应
• 双阈值：检测真正和潜在的边缘
• 抑制弱边缘：通过抑制弱边缘来完成边缘检测

2.1、高斯滤波

  高斯滤波最重要的还是卷积核核，通常使用高斯平滑滤波器卷积降噪，这里以size=3的高斯内核为例：这里做了归一化处理（元素和为 1）

$$H=\left[\begin{array}{ccc}0.0924& 0.1192& 0.0924\\ 0.1192& 0.1538& 0.1192\\ 0.0924& 0.1192& 0.0924\end{array}\right]$$

$$e=H\ast A=\left[\begin{array}{ccc}{h}_{11}& h_{12}& h_{12}\\ h_{21}& h_{22}& h_{22}\\ h_{31}& h_{32}& h_{32}\end{array}\right]\ast \left[\begin{array}{ccc}a& b& c\\ d& e& f\\ g& h& i\end{array}\right]=sum(\left[\begin{array}{ccc}a\times h_{11}& b\times h_{11}& c\times h_{11}\\ d\times h_{21}& e\times h_{21}& f\times h_{21}\\ g\times h_{31}& h\times h_{31}& i\times h_{31}\end{array}\right])$$

2.2、Sobel算子计算梯度和方向

计算方法：

$$G_x=\left[\begin{array}{ccc}-1& 0& 1\\ -2& 0& 2\\ -1& 0& 1\end{array}\right]G_y=\left[\begin{array}{ccc}-1& -2& -1\\ 0& 0& 0\\ 1& 2& 1\end{array}\right]$$

  这里$G_x$是指水平方向的掩码模板，$G_y$是指垂直方向的掩码模板。根据上面的模板可以计算出图像梯度幅值和方向。

$$G=\sqrt{G_x^2+G_Y^2}\theta =arctan(G_y/G_x)$$

2.3、非极大值抑制

  非极大值抑制是进行边缘检测的重要步骤，通俗的来说，就是获取局部的最大值，将非极大值所对应的灰度值设置为背景像素点。像素邻近区域满足梯度值的局部最优值判断为该像素的边缘，对非极大值相关信息进行抑制。利用这个准则可以剔除大部分的非边缘点。

  简单的说呢？就是保留梯度大的像素点点，对于那些在边缘旁边的杂散点，梯度相对较小，利用非极大值抑制就可以很好的去除杂散点。

2.4、双阈值检测

  这里的双阈值并不是说介于阈值之间的像素保留，外面的的去除。这里的阈值检测有所不同。

分析：

• 梯度大于maxVal的像素点保留，视为边缘
• 梯度小于minVal的像素点弃用，不视为边缘
• 梯度介于两者之间的，分情况判断：
  • 四周有包含大于maxVal的像素点，视为边缘
  • 四周没有大于maxVal的像素点，不视为边缘

根据上面的分析，我们可以得出来：A, D点位边界； B， C点不是边界。

注意：
  具体这两个值怎么设置，我们就要分析两个值变化对图像的影响。

• maxVal: 带来最明显的差异，增大maxVal无疑会导致原来的边界点可能会直接消失。但这种消失时是成片消失。

• minVal: 增大minVal，会导致有些待定像素点被弃用，也就是靠近边界像素点的介于双阈值之间的被弃用。导致的现象就是边界出现破损，这种非成片消失。只是边界信息不完整。

  下面以 video = cv2.Canny(img, 80, 250) 为例：分别增大minVal和maxVal。
增大minVal: （边界出现缺损）

增大maxVal: （边界出现成片消失，边界信息完整）

总结：

在实际应用中，观察梯度图像，如果边界信息缺损，那么适当的减小minVal;如果有不想要的区域出现，那么适当的增加MaxVal。

---

最后

更多精彩内容，大家可以转到我的主页：曲怪曲怪的主页

或者关注我的微信公众号：TeaUrn

或者扫描下方二维码进行关注。里面有惊喜等你哦。