Opencv笔记（十四）——边缘检测算法canny

简介

  Canny 边缘检测算法 是 John F. Canny 于 1986年开发出来的一个多级边缘检测算法，也被很多人认为是边缘检测的 最优算法，它是由很多步构成的算法。

最优边缘检测的三个主要评价标准：

• 低错误率: 标识出尽可能多的实际边缘，同时尽可能的减少噪声产生的误报。
• 高定位性: 标识出的边缘要与图像中的实际边缘尽可能接近。
• 最小响应: 图像中的边缘只能标识一次。

算法过程

      1.噪声去除，可使用5x5的高斯滤波器;

      2.计算图像梯度，这里使用Sobel算子;

相同

      3.非极大值抑制，在获得梯度的大小和方向后，要对整幅图像进行扫描，那些非边界上的点.对每个像素进行检查，看其是不是周围具有相同梯度方向的点中最大。

     4.滞后阈值，要确定哪些边界才是真正的边界，这里需要设定两个阈值，即minVal和maxVal，当图像的灰度梯度高于maxVal才是真正的边界，低于minVal的边界会被抛弃，如果介于两者之间，就看这个点是否与被确定为边界的点相连。

如上图所示，A高于maxVal阈值，所以是真正的边界点，C虽然低于maxVal，但高于minVal且与A相连，所以C也是边界，B处于两阈值之间，且未与真正的边界点相连，所以B被抛弃。

Canny函数

  在Opencv中只需要一个cv2.Canny()函数就能完成上面的几步。下面是该函数原型，返回处理后的图像：

cv2.Canny(image, threshold1, threshold2[, edges[, apertureSize[, L2gradient ]]]) 

• 第一个参数是需要处理的原图像，该图像必须为单通道的灰度图；
• 第二个参数是阈值1，即minVal;
• 第三个参数是阈值2 ，即maxVal;
• 选参数中apertureSize就是Sobel算子的大小;
• L2gradient参数是一个布尔值，如果为真，则使用更精确的L2范数进行计算（即两个方向的倒数的平方和再开放），否则使用L1范数（直接将两个方向导数的绝对值相加）。

代码实战

# coding=utf-8
import cv2
import numpy as np

img = cv2.imread("/home/wl/3.jpg", 0)
res=cv2.resize(img,None,fx=0.4,fy=0.4,interpolation=cv2.INTER_AREA)#原图太大
res = cv2.GaussianBlur(res,(3,3),0)
dst = cv2.Canny(res,50,100)

while(1):
    cv2.imshow("Result",dst)
    k = cv2.waitKey(1) & 0XFF
    if k==ord('q'):
        break;
cv2.destroyAllWindows()

原图：

效果图：

• 由于Canny只能处理灰度图，所以将读取的图像转成灰度图。用高斯平滑处理原图像降噪。
• 调用Canny函数，指定最大和最小阈值，其中apertureSize默认为3。