边缘检测算法——Candy算法

OpenCV+Python 实现candy算法

（一）Canny边缘检查算法步骤：

1.彩色图转化为灰度图
2.由于边缘检测容易受到图像中噪声的影响，应用高斯滤波来平滑图像–>去除噪声。
3.找寻图像的强度梯度。 Canny的基本思想是找寻一幅图像中强度变化最强的位置。所谓的变化最强，即指梯度方向。平滑后的图像中每个像素点的梯度可以由Sobel算子来获得：
（1）首先，利用Sobel算子得到沿x轴和y轴方向的梯度G_x和G_y。
（2）由G_X和G_Y便可计算每一个像素点的梯度幅值G。
（3）接着，每一个像素点用G代替。对于变化剧烈的边界处，G值越大，对应的颜色为白色。
（4）然后，这些边界通常非常粗，难以标定边界的真正位置，还必须存储梯度的方向θ。
4.应用非极大抑制技术来消除边误检(本来不是边缘但检测出来是)，沿着梯度θ方向上比较该像素点，若该像素点与两侧相比最大则保留，否则抑制(置为0)。这一步的目的是将模糊的边界变得清晰，剔除一大部分不是边缘的点。
5.双阈值边缘连接处理
规则：设定两个阈值，minVal和maxVal。
大于maxVal的边缘肯定是边缘(保留)，低于minVal的边缘是非边缘(舍去)。
对于介于两者之间的值，判断是否与真正的边界(强边界)相连，相连就保留，否则丢弃。
6.二值化图像输出结果。

（二）OpenCV+Python实现

1.函数说明：
OpenCV-Python中Canny函数的原型为：
edge = cv2.Canny(image, threshold1, threshold2[, edges[, apertureSize[, L2gradient ]]])
参数：
image：需要处理的原图像，该图像必须为单通道的灰度图；
threshold1：阈值1。
threshold2：阈值2。
apertureSize：Sobel算子的直径。

其中较大的阈值2用于检测图像中明显的边缘，但一般情况下检测的效果不会那么完美，边缘检测出来是断断续续的。所以这时候用较小的第一个阈值用将这些间断的边缘连接起来。可选参数中apertureSize就是Sobel算子的大小。而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）。
函数返回一副二值图，其中包含检测出的边缘。

2.程序代码：

import cv2
import numpy as np  

 #载入图片, 由于Canny只能处理灰度图，所以将读取的图像转成灰度图
img_original=cv2.imread('img.jpg')
cv2.namedWindow('Canny')

# 用高斯平滑处理原图像降噪。若效果不好可调节高斯核大小
img = cv2.GaussianBlur(img_original,(3,3),0) 
img1 = cv2.GaussianBlur(img_original,(1,1),0) 

#定义回调函数
def nothing(x):
    pass
#创建两个滑动条，分别控制threshold1，threshold2
cv2.createTrackbar('threshold1','Canny',50,400,nothing)
cv2.createTrackbar('threshold2','Canny',100,400,nothing)
while(1):
    #返回滑动条所在位置的值
    threshold1=cv2.getTrackbarPos('threshold1','Canny')
    threshold2=cv2.getTrackbarPos('threshold2','Canny')
 #用Canny函数进行边缘检测，指定最大和最小阈值，其中apertureSize默认为3

img_edges=cv2.Canny(img,threshold1,threshold2)

    #显示图片
    cv2.imshow('original',img_original)
    cv2.imshow('GaussianBlur_3,3',img)
    cv2.imshow('GaussianBlur_1,1',img1)
    cv2.imshow('Canny',img_edges)  
    if cv2.waitKey(1)==ord('q'):
        break
cv2.destroyAllWindows()

3.运行结果：

原图像：

高斯核为（3,3）进行平滑后的图像，如图1所示：

高斯核为（1,1）进行平滑后的图像，如图2所示：

设低阈值为50，高阈值为100不变；
高斯核为（3,3），输出结果如图3所示：
高斯核为（1,1），输出结果如图4所示：


上阈值定为100，下阈值从50开始增大的过程中，细节逐渐减少，如下图所示：


下阈值定为50，上阈值从100开始增大的过程中，细节逐步减少，如下图所示：


4.结果分析
高斯核越小，边缘信息越多，越大边缘信息越少。高阈值设置的太高，就会导致高于高阈值的点很少，边界就会不清楚时断时续；如果设置的太低就会导致大于高阈值的点很多，噪声也就太多，不利于我们的后续操作。低阈值越小，边界信息越多，越大边缘信息越少。所以在实际操作中多试几次，才能找到最合适的参数值。