Python OpenCV Canny边缘检测算法的原理实现详解

Gaussian smoothing

总的来说，Canny边缘检测可以分为四个步骤：

由于边缘检测对噪声敏感，因此对图像应用高斯平滑以帮助减少噪声。
具体做法是，采用一个5*5的高斯平滑滤波器对图像进行滤波处理。

Computing the gradient magnitude and orientation

对平滑后的图像，在水平、垂直两个方向上使用Sobel算子（如下图）计算梯度大小，得到两个方向上的一阶导数Gx与Gy。

在得到两个方向上的梯度之后，对这两个向量求和，得到这一点处的梯度大小与方向。

采用四舍五入，将梯度方向确定为上下左右与四个对角线方向之一（45°的倍数）。

Non-maxima suppression

在得到梯度大小与方向之后，对图像进一步扫描，去除不构成边缘的不重要的像素信息，这里采用的方法是非极大值抑制——在每个像素处，检查像素是否在其梯度方向的邻域中是局部最大值，只保留局部最大值的梯度。

在上图中，点A位于边缘上。梯度方向与边缘方向垂直。为了确定要不要保留A点作为边缘，需要将A点处的梯度大小与B、C两点的梯度大小比较，如果A点的梯度大小不是局部最大，则将该点抑制。

因此，从结果上讲，NMS其实是将B、C两点抑制了，它们不会出现在结果中，因此这一步的效果是“thin edges”。

Hysteresis thresholding

定义上界与下界两个阈值，并规定：

• 任何梯度强度大于上界的像素都是边；
• 任何梯度强度小于下界的像素都不是边；
• 任何梯度介于两个阈值之间的可能是边，此时考察它们的连通性，如果它们和第一种情况（确定是边缘的像素）相连接，就认为它们是边缘，否则认为它们不是边缘。

在上图中，A点在maxVal阈值之上，确定是边缘。C介于两个阈值之间，但与A相连，因此它也是边缘。B介于两个阈值之间，它所在的曲线上并没有任何像素点的梯度强度在maxVal之上，因此它不是边缘。

需要指出的是，上面四步操作之后得到的是strong edges。

OpenCV实现

OpenCV提供了cv.Canny()方法，该方法将输入的原始图像转换为边缘图像。

该方法的原型为：

cv.Canny(image, threshold1, threshold2[, edges[, apertureSize[, L2gradient]]]) -> 	edges
cv.Canny(dx, dy, threshold1, threshold2[, edges[, L2gradient]]) -> edges

image参数是array格式的输入图像。threshold1与threshold2分别是我们的下界阈值与上界阈值。apertureSize是用于查找图像梯度的Sobel核的大小，默认为3。L2gradient指定了求梯度幅值的公式，是一个布尔型变量，默认为False。当它为True时，使用L2，否则使用L1。

下面是具体代码：

def canny_detect(image_path, show=True):
    # 读取图像
    image = cv2.imread(image_path, 0)
    # 获取结果
    edges = cv2.Canny(image, 100, 200)
    if show:
        # 绘制原图
        plt.subplot(121)
        plt.imshow(image, cmap='gray')
        plt.title('Original Image')
        plt.xticks([])
        plt.yticks([])
        # 绘制边缘图
        plt.subplot(122)
        plt.imshow(edges, cmap='gray')
        plt.title('Edge Image')
        plt.xticks([])
        plt.yticks([])

        plt.show()
    return edges
canny_detect('images/2.jpeg')

效果：

到此这篇关于Python OpenCV Canny边缘检测算法的原理实现详解的文章就介绍到这了,更多相关Python OpenCV Canny边缘检测 内容请搜索Devmax以前的文章或继续浏览下面的相关文章希望大家以后多多支持Devmax！