OpenCV+python：Canny边缘检测算法

最新推荐文章于 2024-08-08 16:08:51 发布

@迷途小书童

最新推荐文章于 2024-08-08 16:08:51 发布

阅读量7.2k

点赞数 5

分类专栏： OpenCV/基本图像处理算法

本文链接：https://blog.csdn.net/qq_43660987/article/details/91129867

版权

本文介绍了Canny边缘检测算法，包括边缘处理原理、Canny算法的三大准则以及详细的处理流程：灰度转换、高斯滤波、梯度计算、非极大值抑制、双阈值检测和抑制孤立低阈值点。通过OpenCV库实现Canny算法，旨在提高边缘检测的精度和抗噪声能力。

摘要由CSDN通过智能技术生成

1，边缘处理
图像边缘信息主要集中在高频段，通常说图像锐化或检测边缘，实质就是高频滤波。我们知道微分运算是求信号的变化率，具有加强高频分量的作用。
在空域运算中来说，对图像的锐化就是计算微分。由于数字图像的离散信号，微分运算就变成计算差分或梯度。
图像处理中有多种边缘检测（梯度）算子，常用的包括普通一阶差分，Robert算子（交叉差分），Sobel算子等等，是基于寻找梯度强度。拉普拉斯算子（二阶差分）是基于过零点检测。通过计算梯度，设置阀值，得到边缘图像。
2，Canny边缘检测算法简介
Canny边缘检测算子是一种多级检测算法。1986年由John F. Canny提出，同时提出了边缘检测的三大准则：
（1）低错误率的边缘检测：检测算法应该精确地找到图像中的尽可能多的边缘，尽可能的减少漏检和误检。
（2）最优定位：检测的边缘点应该精确地定位于边缘的中心。
（3）图像中的任意边缘应该只被标记一次，同时图像噪声不应产生伪边缘。
为了满足这些要求，Canny使用了变分法。Canny检测器中的最优函数使用四个指数项的和来描述，它可以由高斯函数的一阶导数来近似。
3，Canny边缘检测算法的处理流程

（1）灰度转换：

该部分是按照Canny算法通常处理的图像为灰度图，如果获取的彩色图像，那首先就得进行灰度化。以RGB格式的彩图为例，通常灰度化采用的公式是：
Gray=0.299R+0.587G+0.114B
在OpenCV中也提供相关的API(cvtColor)
源代码：

///第一步：灰度化 
 2     IplImage * ColorImage=cvLoadImage("c:\\photo.bmp",1);
 3     if (ColorImage==NULL)
 4     {
 5         printf("image read error");
 6         return 0;
 7     }
 8     cvNamedWindow("Sourceimg",0);  
 9     cvShowImage("Sourceimg",ColorImage);               // 
10     IplImage * OpenCvGrayImage;
11     OpenCvGrayImage=cvCreateImage(cvGetSize(ColorImage),ColorImage->depth,1);
12     float data1,data2,data3;
13     for (int i=0;i<ColorImage->height;i++)
14     {
15         for (int j=0;j<ColorImage->width;j++)
16         {
17             data1=(uchar)(ColorImage->imageData[i*ColorImage->widthStep+j*3+0]);
18             data2=(uchar)(ColorImage->imageData[i*ColorImage->widthStep+j*3+1]);
19             data3=(uchar)(ColorImage->imageData[i*ColorImage->widthStep+j*3+2]);
20             OpenCvGrayImage->imageData[i*OpenCvGrayImage->widthStep+j]=(uchar)(0.07*data1 + 0.71*data2 + 0.21*data3);
21         }
22     }
23     cvNamedWindow("GrayImage",0);  
24     cvShowImage("GrayImage",OpenCvGrayImage);               //显示灰度图  
25     cvWaitKey(0);  
26     cvDestroyWindow("GrayImage");

（2）使用高斯滤波器，以平滑图像，滤除噪声（高斯模糊）：

了尽可能减少噪声对边缘检测结果的影响，所以必须滤除噪声以防止由噪声引起的错误检测。为了平滑图像，使用高斯滤波器与图像进行卷积，该步骤将平滑图像，以减少边缘检测器上明显的噪声影响。大小为(2k+1)x(2k+1)的高斯滤波器核的生成方程式由下式给出：
在这里插入图片描述下面是一个sigma = 1.4，尺寸为3x3的高斯卷积核的例子（需要注意归一化）：

在这里插入图片描述
若图像中一个3x3的窗口为A，要滤波的像素点为e，则经过高斯滤波之后，像素点e的亮度值为：
其中*为卷积符号，sum表示矩阵中所有元素相加求和。重要的是需要理解，高斯卷积核大小的选择将影响Canny检测器的性能。尺寸越大，检测器对噪声的敏感度越低，但是边缘检测的定位误差也将略有增加。一般5x5是一个比较不错的trade off。
源代码：

///第二步：高斯滤波 
///
    double nSigma=0.2;
    int nWindowSize=1+2*ceil(3*nSigma);//通过sigma得到窗口大小
    int nCenter=nWindowSize/2;
    int nWidth=OpenCvGrayImage->width;
    int nHeight=OpenCvGrayImage->height;
    IplImage * pCanny;
    pCanny=cvCreateImage(cvGetSize(ColorImage),ColorImage->depth,1);
    //生成二维滤波核
    double *pKernel_2=new double[nWindowSize*nWindowSize];
    double d_sum=0.0;
    for(int i=0;i<nWindowSize;i++)
    {
        for (int j=0;j<nWindowSize;j++)
        {
            double n_Disx=i-nCenter;//水平方向距离中心像素距离
            double n_Disy=j-nCenter;
            pKernel_2[j*nWindowSize+i]=exp(-0.5*(n_Disx*n_Disx+n_Disy*n_Disy)/(nSigma*nSigma))/(2.0*3.1415926)*nSigma*nSigma; 
            d_sum=d_sum+pKernel_2[j*nWindowSize+i];
        }
    }
    for(int i=0;i<nWindowSize;i++)//归一化处理
    {
        for (int j=0;j<nWindowSize;j++)
        {
          pKernel_2[j*nWindo