canny检测出的多个边缘合成一个_学习笔记-canny边缘检测

Canny边缘检测

声明：阅读本文需要了解线性代数里面的点乘(图像卷积的原理)，高等数学里的二元函数的梯度，极大值定义，了解概率论里的二维高斯分布

1.canny边缘检测原理和简介

2.实现步骤

3.总结

一、 Canny边缘检测算法的发展历史

Canny算子是28岁的John Canny在1986年提出的，该文章发表在PAMI顶级期刊(1986. http://www.cs.berkeley.edu/~jfc/)，大爷就是大爷。

边缘检测是从图像中提取有用的结构信息的一种技术，如果学过信息论就会知道，一面充满花纹的墙要比一面白墙的信息量大很多，没学过也没关系，直观上也能理解：充满花纹的图像要比单色图像信息更丰富。为什么要检测边缘?因为我们需要计算机自动的提取图像的底层(纹理等)或者高层(时间地点人物等)的信息，边缘可以说是最直观、最容易发现的一种信息了。Canny提出了一个对于边缘检测算法的评价标准，包括：

1)        以低的错误率检测边缘，也即意味着需要尽可能准确的捕获图像中尽可能多的边缘。

2)        检测到的边缘应精确定位在真实边缘的中心。

3)        图像中给定的边缘应只被标记一次，并且在可能的情况下，图像的噪声不应产生假的边缘。

简单来说就是，检测算法要做到：边缘要全，位置要准，抵抗噪声的能力要强。

接下来介绍最经典的canny边缘检测算法，很多边缘检测算法都是在此基础上进行改进的，学习它有利于一通百通。

二、实现步骤

step1：高斯平滑滤波

没有哪张图片是没有噪声的。————鲁迅

滤波是为了去除噪声，选用高斯滤波也是因为在众多噪声滤波器中，高斯表现最好(表现怎么定义的？最好好到什么程度？)，你也可以试试其他滤波器如均值滤波、中值滤波等等。一个大小为(2k+1)x(2k+1)的高斯滤波器核(核一般都是奇数尺寸的)的生成方程式由下式给出：

‘

下面是一个sigma = 1.4，尺寸为3x3的高斯卷积核的例子，注意矩阵求和值为1(归一化)：

举个例子：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，简单说，就是滤波后的每个像素值=其原像素中心值及其相邻像素的加权求和。图像卷积是图像处理中非常重要且广泛使用的操作，一定要理解好。

其中高斯卷积核的大小将影响Canny检测器的性能。尺寸越大，去噪能力越强，因此噪声越少，但图片越模糊，canny检测算法抗噪声能力越强，但模糊的副作用也会导致定位精度不高，一般情况下，推荐尺寸5*5，3*3也行。

step2： 计算梯度强度和方向

边缘的最重要的特征是灰度值剧烈变化，如果把灰度值看成二元函数值，那么灰度值的变化可以用二元函数的”导数“(或者称为梯度)来描述。由于图像是离散数据，导数可以用差分值来表示，差分在实际工程中就是灰度差，说人话就是两个像素的差值。一个像素点有8邻域，那么分上下左右斜对角，因此Canny算法使用四个算子来检测图像中的水平、垂直和对角边缘。算子是以图像卷积的形式来计算梯度，比如Roberts，Prewitt，Sobel等，这里选用Sobel算子来计算二维图像在x轴和y轴的差分值(这些数字的由来？)，将下面两个模板与原图进行卷积，得出x和y轴的差分值图，最后计算该点的梯度G和方向θ

计算梯度的模和方向属于高等数学部分的内容，如果不理解应该补习一下数学基本功，图像处理经常会用到这个概念。

这部分我实现了下，首先了解opencv的二维滤波函数：dst=cv.filter2D(src, ddepth, kernel[, dst[, anchor[, delta[, borderType]]]])

dst：　　输出图片

src：　　输入图片

ddepth： 输出图片的深度, 详见 combinations,如果填-1，那么就跟与输入图片的格式相同。

kernel：   单通道、浮点精度的卷积核。

以下是默认参数：

anchor：内核的基准点(anchor)，其默认值为(-1,-1)表示位于kernel的中心位置。基准点即kernel中与进行处理的像素点重合的点。举个例子就是在上面的step1中，e=H*A得到的e是放在原像素的3*3的哪一个位置，一般来说都是放在中间位置，设置成默认值就好。

delta ：在储存目标图像前可选的添加到像素的值，默认值为0。(没用过)

borderType：像素向外逼近的方法，默认值是BORDER_DEFAULT,即对全部边界进行计算。(没用过)

上代码

1 importcv22 importnumpy as np3 importmatplotlib.pyplot as plt4

5

6 img=cv2