python中opencv Canny邊緣檢測

Posted on by

Canny邊緣檢測

Canny邊緣檢測是一種使用多級邊緣檢測算法檢測邊緣的方法。

OpenCV提供瞭函數cv2.Canny()實現Canny邊緣檢測。

Canny邊緣檢測基礎

Canny邊緣檢測分為如下幾個步驟：

  • 去噪。噪聲會影響邊緣檢測的準確性，因此首先要將噪聲過濾掉。
  • 計算梯度的幅度與方向
  • 非極大值抑制，即適當地讓邊緣“變瘦”
  • 確定邊緣。使用雙閾值算法確定最終的邊緣信息

高斯濾波去除圖像噪聲

圖像邊緣非常容易受到噪聲的幹擾，因此為瞭避免檢測到錯誤的邊緣信息，通常需要對圖像進行濾波以去除噪聲。

濾波的目的是平滑一些紋理較弱的非邊緣區域，以便得到更準確的邊緣。在實際處理過程中，通常采用高斯濾波去除圖像中的噪聲。在濾波過程中，通過濾波器對像素點周圍的像素計算加權平均值，獲取最終濾波結果。對於高斯濾波器，越臨近中心的點，權值越大。

濾波器的大小也是可變的，高斯核的大小對於邊緣檢測的效果具有很重要的作用。濾波器的核越大，邊緣信息對於噪聲的敏感度就越低。不過，核越大，邊緣檢測的定位錯誤也會隨之增加。通常來說，一個5×5的核能夠滿足大多數的情況。

計算梯度

關註梯度的方向，梯度的方向與邊緣的方向是垂直的。

邊緣檢測算子返回水平方向的Gx和垂直方向的Gy。

梯度的幅度G和方向Θ（用角度值表示）為：

atan2(·)表示具有兩個參數的arctan函數。

梯度的方向總是與邊緣垂直的，通常就近取值為水平（左、右）、垂直（上、下）、對角線（右上、左上、左下、右下）等8個不同的方向。

在計算梯度時，我們會得到梯度的幅度和角度（代表梯度的方向）兩個值。

梯度的表示法: 其中，每一個梯度包含幅度和角度兩個不同的值。為瞭方便觀察，這裡使用瞭可視化表示方法。

左上角頂點的值“2↑”實際上表示的是一個二元數對“(2, 90)”，表示梯度的幅度為2，角度為90°。

非極大值抑制

在獲得瞭梯度的幅度和方向後，遍歷圖像中的像素點，去除所有非邊緣的點。

在具體實現時，逐一遍歷像素點，判斷當前像素點是否是周圍像素點中具有相同梯度方向的最大值，並根據判斷結果決定是否抑制該點。

通過以上描述可知，該步驟是邊緣細化的過程。針對每一個像素點：

  • 如果該點是正/負梯度方向上的局部最大值，則保留該點。
  • 如果不是，則抑制該點（歸零）。

（梯度方向垂直於邊緣）

“正/負梯度方向上”是指相反方向的梯度方向。

對於同一個方向的若幹個邊緣點，基本上僅保留瞭一個，因此實現瞭邊緣細化的目的。

應用雙閾值確定邊緣

完成上述步驟後，圖像內的強邊緣已經在當前獲取的邊緣圖像內。但是，一些虛邊緣可能也在邊緣圖像內。

這些虛邊緣可能是真實圖像產生的，也可能是由於噪聲所產生的。對於後者，必須將其剔除。設置兩個閾值，其中一個為高閾值maxVal，另一個為低閾值minVal。根據當前邊緣像素的梯度值（指的是梯度幅度）與這兩個閾值之間的關系，判斷邊緣的屬性。

具體步驟為：

  • 如果當前邊緣像素的梯度值大於或等於maxVal，則將當前邊緣像素標記為強邊緣。
  • 如果當前邊緣像素的梯度值介於maxVal與minVal之間，則將當前邊緣像素標記為虛邊緣（需要保留）。
  • 如果當前邊緣像素的梯度值小於或等於minVal，則抑制當前邊緣像素。

在上述過程中，我們得到瞭虛邊緣，需要對其做進一步處理。一般通過判斷虛邊緣與強邊緣是否連接，來確定虛邊緣到底屬於哪種情況。

通常情況下，如果一個虛邊緣：

  • 與強邊緣連接，則將該邊緣處理為邊緣。
  • 與強邊緣無連接，則該邊緣為弱邊緣，將其抑制。

高閾值maxVal和低閾值minVal不是固定的，需要針對不同的圖像進行定義。

Canny函數及使用

OpenCV提供瞭函數cv2.Canny()來實現Canny邊緣檢測，其語法形式如下：

edges = cv.Canny( image, threshold1, threshold2[, apertureSize[, L2gradient]])

  • edges為計算得到的邊緣圖像。
  • image為8位輸入圖像。
  • threshold1表示處理過程中的第一個閾值。
  • threshold2表示處理過程中的第二個閾值。
  • apertureSize表示Sobel算子的孔徑大小。
  • L2gradient為計算圖像梯度幅度（gradient magnitude）的標識。其默認值為False。如果為True，則使用更精確的L2范數進行計算（即兩個方向的導數的平方和再開方），否則使用L1范數（直接將兩個方向導數的絕對值相加）。

**例子：**使用函數cv2.Canny()獲取圖像的邊緣，並嘗試使用不同大小的threshold1和threshold2，觀察獲取到的邊緣有何不同。

import cv2
o=cv2.imread("./img/hand1.png", cv2.IMREAD_GRAYSCALE)
r1=cv2.Canny(o,128,200)
r2=cv2.Canny(o,32,128)
cv2.imshow("original", o)
cv2.imshow("result1", r1)
cv2.imshow("result2", r2)
cv2.waitKey()
cv2.destroyAllWindows()

當函數cv2.Canny()的參數threshold1和threshold2的值較小時，能夠捕獲更多的邊緣信息。

到此這篇關於python中opencv Canny邊緣檢測的文章就介紹到這瞭,更多相關opencv Canny內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet！

推薦閱讀：