python opencv Canny

Canny边缘检测

Canny边缘检测是一种使用多级边缘检测算法检测边缘的方法。

OpenCV提供了函数cv2.Canny()实现Canny边缘检测。

Canny边缘检测基础

Canny边缘检测分为如下几个步骤：

• 去噪。噪声会影响边缘检测的准确性，因此首先要将噪声过滤掉。
• 计算梯度的幅度与方向
• 非极大值抑制，即适当地让边缘“变瘦”
• 确定边缘。使用双阈值算法确定最终的边缘信息

高斯滤波去除图像噪声

图像边缘非常容易受到噪声的干扰，因此为了避免检测到错误的边缘信息，通常需要对图像进行滤波以去除噪声。

滤波的目的是平滑一些纹理较弱的非边缘区域，以便得到更准确的边缘。在实际处理过程中，通常采用高斯滤波去除图像中的噪声。在滤波过程中，通过滤波器对像素点周围的像素计算加权平均值，获取最终滤波结果。对于高斯滤波器，越临近中心的点，权值越大。

滤波器的大小也是可变的，高斯核的大小对于边缘检测的效果具有很重要的作用。滤波器的核越大，边缘信息对于噪声的敏感度就越低。不过，核越大，边缘检测的定位错误也会随之增加。通常来说，一个5×5的核能够满足大多数的情况。

计算梯度

关注梯度的方向，梯度的方向与边缘的方向是垂直的。

边缘检测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）为：

atan2(·)表示具有两个参数的arctan函数。

梯度的方向总是与边缘垂直的，通常就近取值为水平（左、右）、垂直（上、下）、对角线（右上、左上、左下、右下）等8个不同的方向。

在计算梯度时，我们会得到梯度的幅度和角度（代表梯度的方向）两个值。

梯度的表示法: 其中，每一个梯度包含幅度和角度两个不同的值。为了方便观察，这里使用了可视化表示方法。

左上角顶点的值“2↑”实际上表示的是一个二元数对“(2, 90)”，表示梯度的幅度为2，角度为90°。

非极大值抑制

在获得了梯度的幅度和方向后，遍历图像中的像素点，去除所有非边缘的点。

在具体实现时，逐一遍历像素点，判断当前像素点是否是周围像素点中具有相同梯度方向的最大值，并根据判断结果决定是否抑制该点。

通过以上描述可知，该步骤是边缘细化的过程。针对每一个像素点：

• 如果该点是正/负梯度方向上的局部最大值，则保留该点。
• 如果不是，则抑制该点（归零）。

（梯度方向垂直于边缘）

“正/负梯度方向上”是指相反方向的梯度方向。

对于同一个方向的若干个边缘点，基本上仅保留了一个，因此实现了边缘细化的目的。

应用双阈值确定边缘

完成上述步骤后，图像内的强边缘已经在当前获取的边缘图像内。但是，一些虚边缘可能也在边缘图像内。

这些虚边缘可能是真实图像产生的，也可能是由于噪声所产生的。对于后者，必须将其剔除。设置两个阈值，其中一个为高阈值maxVal，另一个为低阈值minVal。根据当前边缘像素的梯度值（指的是梯度幅度）与这两个阈值之间的关系，判断边缘的属性。

具体步骤为：

• 如果当前边缘像素的梯度值大于或等于maxVal，则将当前边缘像素标记为强边缘。
• 如果当前边缘像素的梯度值介于maxVal与minVal之间，则将当前边缘像素标记为虚边缘（需要保留）。
• 如果当前边缘像素的梯度值小于或等于minVal，则抑制当前边缘像素。

在上述过程中，我们得到了虚边缘，需要对其做进一步处理。一般通过判断虚边缘与强边缘是否连接，来确定虚边缘到底属于哪种情况。

通常情况下，如果一个虚边缘：

• 与强边缘连接，则将该边缘处理为边缘。
• 与强边缘无连接，则该边缘为弱边缘，将其抑制。

高阈值maxVal和低阈值minVal不是固定的，需要针对不同的图像进行定义。

Canny函数及使用

OpenCV提供了函数cv2.Canny()来实现Canny边缘检测，其语法形式如下：

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

• edges为计算得到的边缘图像。
• image为8位输入图像。
• threshold1表示处理过程中的第一个阈值。
• threshold2表示处理过程中的第二个阈值。
• apertureSize表示Sobel算子的孔径大小。
• L2gradient为计算图像梯度幅度（gradient magnitude）的标识。其默认值为False。如果为True，则使用更精确的L2范数进行计算（即两个方向的导数的平方和再开方），否则使用L1范数（直接将两个方向导数的绝对值相加）。

**例子：**使用函数cv2.Canny()获取图像的边缘，并尝试使用不同大小的threshold1和threshold2，观察获取到的边缘有何不同。

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()

当函数cv2.Canny()的参数threshold1和threshold2的值较小时，能够捕获更多的边缘信息。