【图像处理】Canny边缘检测

前言

Canny边缘检测算法是—种特别常用且性能优秀的边缘检测算法，相比于普通的边缘检测算法，Canny算法具有不容易受图像噪声干扰、能够检测到真正的弱边缘和拥有较高的检测精度的优点，同时图像的真实边缘只返回一个边缘点即单像素边缘。

Canny边缘检测步骤

• 转化为灰度图像，然后高斯模糊
• 计算梯度大小和方向
• 非极大值抑制，每条边理应只有一个响应
• 双阈值边界跟踪，分离强边缘和弱边缘

高斯模糊
边缘属于图像中的高频信号，但噪声也属于高频信号，因此可以先对图像做一次高斯模糊，抑制噪声，虽然边缘也会被抑制，但后期连接弱边缘时，被抑制的边缘还可能被重置为强边缘，而被抑制的噪声因为孤立而不被认为强边缘。
高斯模糊原理可查看link。

计算梯度大小和方向
梯度定义如下所示：


这分别是图像在(x, y)点处x方向和y方向上的偏导数即梯度，从上面的表达式可以看出来，图像的梯度相当于2个相邻像素之间的差值。图像梯度的原理可查看link1和link2。

这样就形成了一个简单的检测算子[-1,1]，拿此算子遍历整个图像就可以得到x方向的边缘。（y方向与此类同）

一般均采用sobel算子计算x方向和y方向上的梯度。sobel算子分为垂直方向和水平方向两个模板，模板如下：

利用模板和图像进行卷积得到x方向和y方向上的梯度：

梯度大小和梯度方向计算：
梯度的大小表示像素点(x, y)的梯度幅值F(x, y)，梯度幅值计算公式如下：

实际应用中，为了减少计算量，常采用绝对值来简化计算：

梯度方向为：

非极大值抑制

非极大值抑制的目的在于细化边缘，将原有粗略边缘检测图中的宽边细化为真正的边缘，从而可以更好的凸显物体的轮廓。

非极大值抑制是在像素的3×3邻域上，比较该像素点和其梯度正负方向的像素点的梯度强度，梯度方向与边缘方向是垂直的，如果该像素点梯度强度最大则保留，否则抑制（删除，即置为0）。

事实上图像是离散的，q’和r’并不存在，这时有两种办法，1）线性插值，通过p、q两点的线性插值求得q’，r’同理可得。2）取相近点作为极大值，即取q点取代q’点。

双阈值法确定图像边缘

双阈值检测分为两个步骤：
1）通过选取强弱阈值，将梯度幅值低与弱阈值的点置为0，大于强阈值的保留并标记为255。
2）对于梯度幅值大于弱阈值但又小于高阈值的点，通过判断它的8邻域是否存在大于强阈值的点，若存在，则保留并置为255，若不存在，则舍弃并置为0。

自适应双阈值的Canny边缘检测

自适应阈值的改进Canny算法改进过程为：在求出梯度幅值 后，跟据公式求出梯度均值和梯度标准差来求解阈值。求解公式如下：

还有另外一种简单的方式，得到的效果也不错：

def auto_canny(image, sigma=0.33):
	# 计算单通道像素强度的中位数
	v = np.median(image)

	# 选择合适的lower和upper值，然后应用它们
	lower = int(max(0, (1.0 - sigma) * v))
	upper = int(min(255, (1.0 + sigma) * v))
	edged = cv2.Canny(image, lower, upper)

	return edged