opencv（七）Canny边缘检测和图像轮廓检测

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

---

一、Canny边缘检测

1、检测步骤

• 1）使用高斯滤波器，以平滑图像，滤掉噪声。

• 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

• cv2.Canny(img,minval,maxval)

  • minval:低阈值。如果检测到的像素点的梯度比低阈值还小那就舍弃掉
  • maxval：高阈值。如果检测到的像素点的梯度比高阈值还大则是边缘点保留下来
  • 在两者之间的像素点，如果其梯度有比maxval大的则是潜在的边缘保留下来，其余舍弃掉

2、代码展示

import cv2
import show_img as si
import numpy as np
import matplotlib.pyplot as plt

# 读取图片并灰度化处理
lena = cv2.imread('../data/lena.jpeg',cv2.IMREAD_GRAYSCALE)

# canny边缘检测
v1 = cv2.Canny(lena,80,150)
v2 = cv2.Canny(lena,50,100)

# 对比效果
res = np.hstack((v1,v2))
si.show_img('res',res)

3、效果对比图及说明

• 先看原图

• 效果对比

• 我们我们看到左边这张是低阈值设置的80，高阈值设置的150，经过检测后所呈现出来的边缘信息比右边设置的低阈值50，高阈值100呈现出来的信息要少，是因为低阈值设置的高了，有的潜在边缘在低阈值以下就给舍弃掉了，而且有的边缘信息达不到你设置的高阈值也就被舍弃掉了。这就是左边内容不太丰富的原因。故我们在进行边缘检测时双阈值设置的要差不多合理（可以反复进行尝试）。
  

二、图像轮廓检测

1、cv2.findContours(img,mode,method)

• cv2.findContours(img,mode,method)
  • mode:轮廓检索模式
    • RETR_EXTERNAL:只检索最外面的轮廓；
    • RETR_LIST:检索所有的轮廓，并将其保存到一条链表当中；
    • RETR_CCOMP：检索所有的轮廓，并将他们组织为两层：顶层是各部分最外面的边界，第二层是空洞的边界；
    • RETR_TREE：检索所有的轮廓，并重构嵌套轮廓的整个层次；
  • method:轮廓逼近方法
    • CHAIN_APPROX_NONE:以Freeman链码的方式输出轮廓，所有其他方法输出多边形（顶点的序列）
    • CHAIN_APPROX_SIMPLE：压缩水平的、垂直的和斜的部分，也就是，函数只保留他们的终点部分
• 之后我们用的时候主要用 RETR_TREE模式就可以了。

import cv2
import show_img as si
import numpy as np

# 读取图片
lena = cv2.imread('../data/lena.jpeg',cv2.IMREAD_GRAYSCALE)
# 进行阈值处理
ret,thresh = cv2.threshold(lena,127,255,cv2.THRESH_BINARY)
# si.show_img('thresh',thresh)

#轮廓检测
contours,hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)

# 绘制轮廓
# 传入绘制图像，轮廓，轮廓索引，颜色模式，线条厚度
# 注意需要copy，要不原图会变
draw_img = lena.copy()
res = cv2.drawContours(draw_img,contours,-1,(0,0,255),2)
# si.show_img('res',res)

#draw_img1 = lena.copy()
#res = cv2.drawContours(draw_img1,contours,0,(0,0,255),2)
# si.show_img('res',res)

2、效果展示

我们可以看到大致轮廓已经画出来了。