Canny 边缘检测

目标

在本章中，我们将会学习

• Canny 边缘检测的概念
• 用于此目的的 OpenCV 函数：cv.Canny()

理论

Canny 边缘检测是一种流行的边缘检测算法。该算法由约翰·F·坎尼于

1. 它是一种多级算法，我们将了解各个阶段。

2. 降噪

   由于边缘检测容易受到图像中噪声的影响，第一步是使用 5x5 高斯滤波器去除图像中的噪声。我们在之前的章节中已经了解到这一点。

3. 找出图像的强度梯度

   平滑后的图像将分别使用 Sobel 核在水平和垂直方向进行滤波，以获得水平方向 ( \(G_x\)) 和垂直方向 ( \(G_y\)) 的一阶导数。通过这两个图像，我们可找到每个像素的边缘梯度和方向，如下所示

\[ 边缘\_梯度 \; (G) = \sqrt{G_x^2 + G_y^2} \\ 角度 \; (\theta) = \tan^{-1} \bigg(\frac{G_y}{G_x}\bigg) \]

梯度方向始终垂直于边缘。将其四舍五入为 4 个角度中的一个，代表垂直、水平和两个对角线方向。

1. 非极大值抑制

   在获取梯度幅度和方向后，对图像进行全面扫描以去除可能不构成边缘的任何不需要的像素。为此，在每个像素处，检查该像素在梯度方向的邻域中是否局部极大值。请查看下图

图像

点 A 位于边缘上（垂直方向）。梯度方向与边缘垂直。点 B 和 C 位于梯度方向上。因此，需要使用点 B 和 C 检查点 A 是否形成局部极大值。如果是，则考虑用于下一阶段，否则将其抑制（设为零）。

简而言之，你获取的结果是带有“细边缘”的二值图像。

1. 滞后阈值

   此阶段决定哪些是真正的边缘，哪些不是。为此，我们需要两个阈值 minVal 和 maxVal。强度梯度大于 maxVal 的任何边缘肯定是边缘，而低于 minVal 的边缘肯定会是非边缘，因此将其舍弃。介于这两个阈值之间的那些根据其连通性归类为边缘或非边缘。如果它们连接到“确定边缘”像素，则认为它们是边缘的一部分。否则，它们也将被舍弃。请参见下图

图像

边的 A 高于 maxVal，因此认为是“好边”。尽管边 C 低于 maxVal，但它连接到了边 A，所以也认为它是有用边，我们可以获得完整曲线。而边 B，尽管它高于 minVal 且与边 C 位于相同区域中，但它未连接到任何“好边”，因此它被丢弃。因此，我们必须根据具体的 minVal 和 maxVal 来获得正确的结果，这一点非常重要。

此阶段还删除了小像素噪声，假设边是较长的线。

因此，我们最终获得图中的粗边。

OpenCV 中的 Canny 边缘检测

OpenCV 将上述所有内容置于单个函数 cv.Canny() 中。我们将了解如何使用它。第一个参数是我们的输入图像。第二个和第三个参数分别是我们的 minVal 和 maxVal。第四个参数是 aperture_size。这是 Sobel 内核的尺寸，用于查找图像梯度。默认值为 3。最后一个参数是 L2gradient，它指定用于查找梯度大小的方程。如果为 True，则它使用上面提到的更准确的方程，否则它使用以下函数：\(Edge\_Gradient \; (G) = |G_x| + |G_y|\)。默认值为 False。

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
 
img = cv.imread('messi5.jpg', cv.IMREAD_GRAYSCALE)
assert img is not None, "file could not be read, check with os.path.exists()"
edges = cv.Canny(img,100,200)
 
plt.subplot(121),plt.imshow(img,cmap = 'gray')
plt.title('Original Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(edges,cmap = 'gray')
plt.title('Edge Image'), plt.xticks([]), plt.yticks([])
 
plt.show()

在下方查看结果

图像

更多资源

1. 维基百科中的 Canny 边缘检测器
2. Bill Green 的 Canny 边缘检测教程，2002 年。

练习

1. 编写一个小应用程序，使用两个轨迹模块，找到能改变阈值的可尼边缘检测。这样，您可以了解阈值的实际作用。