opencv-边缘检测

一、Canny边缘检测

Canny边缘检测器是一种被广泛使用的算法，并被认为是边缘检测最优的算法，该方法使用了比高斯差分算法更复杂的技巧，如多向灰度梯度和滞后阈值化

步骤

1.平滑图像：使用高斯滤波器与图像进行卷积，平滑图像，以减少边缘检测器上明显的噪声影响。
使用高斯滤波器，以平滑图像，滤除噪声。

2.计算图像的梯度和方向：图像中的边缘可以指向各个方向，这里计算图像的梯度，并将梯度分类为垂直、水平和斜对角。
计算图像中每个像素点的梯度强度和方向。

3.非最大值抑制：利用上一步计算出来的梯度方向，检测某一像素在梯度的正方向和负方向上是否是局部最大值，如果是，则该像素点保留为边缘点，否则该像素点将被抑制。
应用非极大值（Non-Maximum Suppression）抑制，以消除边缘检测带来的杂散响应。

4.双阈值算法检测和连接边缘：仍然存在由于噪声和颜色变化引起的一些边缘像素。为了解决这些杂散响应，必须用弱梯度值过滤边缘像素，并保留具有高梯度值的边缘像素，可以通过选择高低阈值来实现
应用双阈值（Double-Threshold）检测来确定真实的和潜在的边缘。

5.通过抑制孤立的弱边缘最终完成边缘检测。

1.1高斯滤波器

2.1梯度和方向

3.1非极大值抑制

图像中的边缘可以指向各个方向，这里计算图像的梯度，并将梯度分类为垂直、水平和斜对角。
利用上一步计算出来的梯度方向，检测某一像素在梯度的正方向和负方向上是否是局部最大值，如果是，则该像素点保留为边缘点，否则该像素点将被抑制。

4.1双阈值检测

仍然存在由于噪声和颜色变化引起的一些边缘像素。为了解决这些杂散响应，必须用弱梯度值过滤边缘像素，并保留具有高梯度值的边缘像素，可以通过选择高低阈值来实现

核心代码

img=cv2.imread("lena.jpg",cv2.IMREAD_GRAYSCALE)
# 阈值最小和最大
v1=cv2.Canny(img,80,150)
v2=cv2.Canny(img,50,100)

res = np.hstack((v1,v2))
cv_show(res,'res')

可以从下图看出，阈值小得到的特征比较多