第10章 Canny边缘检测 -- Canny边缘检测基础

《OpenCV 轻松入门 面向Python》 学习笔记

Canny边缘检测基础

函数原型：

edges = cv2.Canny(image, threshold1, threshold2, apertureSize, L2gradient)

参数：

• edges：计算得到的边缘图像
• image：原始图像
• threshold1：处理过程中的第一个阈值（minVal）
• threshold2：处理过程中的第 二个阈值（maxVal）
• apertureSize：Sobel 算子的孔径大小
• L2gradient：计算图像梯度幅度的标识。 默认值是False，使用L1范数进行计算（直接将两个方向导数的绝对值相加）；如果为True，使用更精确的L2范数进行计算（两个方向的导数的平方和再开方）。

---

Canny 边缘检测分为以下几个步骤：

1. 去噪。噪声会影响边缘检测的准确性，因此首先要将噪声过滤掉。
2. 计算梯度的幅度与方向。
3. 非极大值抑制。适当的让边缘“变瘦”
4. 确定边缘。 使用双阈值算法确定最终的边缘信息

1. 去噪 (应用高斯滤波去除噪声)

在图像中，一般会存在一些纹理较弱的非边缘区域。这些纹理较弱的非边缘就是噪声，为了避免噪声的干扰，避免检测到错误的边缘信息，我们采用高斯滤波去除图像中的噪声。

2. 计算梯度 （根据梯度的方向）

在计算梯度时，边缘检测算子会返回水平方向的梯度$G_x$ 和 垂直方向的梯度$G_y$。在这里，我们不仅关注梯度的大小，还关注梯度的方向。

• 梯度幅度：

  • 若参数 L2gradient=False，采用L1范数计算梯度幅度： $G=|G_x|+|G_y|$
  • 若参数 L2gradient= True，采用L2范数计算梯度幅度： $G=\sqrt{G_x^2+G_y^2}$

• 梯度方向：$\theta =atan2(G_x,G_y)$，得到的梯度角度就近取值为：上，下，左，右，左上，左下，右上，右下 8个方向。

梯度的方向与边缘的方向是垂直的。

3. 非极大值抑制

在获取了梯度的幅度与方向后，采用非极大值抑制的方法，遍历图中的像素点，去除所有非边缘的点。
在具体实现过程中，逐一遍历像素点，判断该像素点 是否是周围（在3x3的邻域范围内，与沿着其对应的梯度方向的两个像素相比） 的最大值：

• 如果该点是正/负梯度方向上的局部最大值，则保留该点。 “正/负梯度方向上”理解为：上和下是同一个梯度方向上的正/负方向，左和右是同一个梯度方向上的正/负方向，左上和右下是同一个梯度方向上的正/负方向，右上和左下是同一个梯度方向上的正/负方向。
• 如果不是，则抑制该点，归零处理

以图示例说明 1：
中心点的梯度幅度为8， 方向为向下，所以沿着其梯度方向（向上和向下）的两个像素为其上方（梯度幅度值为2，梯度方向为向下）和 其下方（梯度幅度值为2，梯度方向为向上）的两个像素。比较结果，中心像素为最大值，保留该点。

以图示例说明 1：
”正/负梯度方向上“指的是与自己方向相同，以及与自己相反方向的梯度方向，黑色背景的像素点都是垂直方向梯度（向上，向下）方向上（水平边缘）的局部最大值。

经过上述处理后，同一个方向上的若干个边缘点，基本上只保留了一个，因此实现了边缘细化的目的。

4. 应用双阈值确定边缘

完成上述步骤后，图像内的强边缘已经在当前获取的边缘图像内，但是，一些虚边缘可能也在边缘图像内。这些虚边缘可能是真实边缘，也可能是由于噪声所产生的。对于后者，我们必须要将其剔除。

设定两个阈值（函数参数），其中一个为高阈值maxVal，另一个为低阈值minVal，根据当前边缘像素的梯度值与这两个阈值的关系，判断边缘的属性：
（1）如果当前边缘像素的梯度值大于或等于maxVal，则将当前边缘像素标记为强边缘
（2）如果当前边缘像素的梯度值介于maxVal和minVal之间，则将当前边缘像素标记为虚边缘
（3）如果当前边缘像素的梯度值小于或等于minVal，则抑制当前边缘像素

上述过程中，我们得到的虚边缘需要做进一步处理：
（4）如果该虚边缘与强边缘有连接，则将该边缘处理为边缘
（5）如果该虚边缘与强边缘无连接，则抑制该边缘

---

举例：

import cv2
import numpy as np

image = cv2.imread("/Users/manmi/Desktop/lena.bmp", 0)
result_1 = cv2.Canny(image, 128, 200)
result_2 = cv2.Canny(image, 32, 128)

cv2.imshow('image', image)
cv2.imshow('result_1', result_1)
cv2.imshow('result_2', result_2)
cv2.waitKey()
cv2.destroyAllWindows()

输出为：