opencv Canny边缘检测

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')