总体步骤
即找出满足要求的梯度
1 使用高斯滤波器,以平滑图像,滤除噪声。
2 计算图像中每个像素点的梯度强度和方向。
3 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 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。
高斯滤波器--处理噪音点
梯度和方向--如何算梯度
非极大值抑制 --对于局部区域,找出梯度大的点
法1:线性插值法
c的梯度>max{dTmp1的梯度,dTmp2的梯度}都大的情况下,才会把c保留下来
法2:通过计算八个方向
八个方向上要比较的点(即B、C)像素点都有值,不需要使用插值法,简化了计算
在这八个方向中,找个跟梯度最接近的方向,在这个方向中,中心点(也是这次计算关注是否要保留的特征点)都比前后的两个点大才保留下来
只有A比B、C都大的情况下,才会把A保留下来,即上面最右边的图
双阈值检测
通过上一步非极大值抑制剩下一些梯度大的点,对于剩下进行双阈值检测,满足下面要求才保留下来
A的梯度值>maxVal保留:认为为边界
minVal<B、C的梯度值<maxVal:而C连有边界A则保留,B没有故放弃
代码展示
导包
import cv2 #opencv读取的格式是BGR
import numpy as np
import matplotlib.pyplot as plt#Matplotlib是RGB
%matplotlib inline
图1效果
img=cv2.imread("lena.jpg",cv2.IMREAD_GRAYSCALE)
# 80为minVal,150为maxVal
v1=cv2.Canny(img,80,150)
# 比上图保留了更多的边界
v2=cv2.Canny(img,50,100)
res = np.hstack((v1,v2))
cv_show(res,'res')
#显示图片定义成一个函数
def cv_show(img,name):
cv2.imshow(name,img)
cv2.waitKey()
cv2.destroyAllWindows()
图2效果
img=cv2.imread("car.png",cv2.IMREAD_GRAYSCALE)
v1=cv2.Canny(img,120,250)
v2=cv2.Canny(img,50,100)
res = np.hstack((v1,v2))
cv_show(res,'res')