【OpenCV-图像处理】Canny 边缘检测——OpenCV官方教程翻译（全网最详细）
OpenCV的imgproc 模块：Canny边缘检测函数cv2.Canny
- 一、目标
- 二、基本理论
- 三、Canny边缘检测运算
-
- 3.1 cv2.Canny()函数
- 举例演示
一、目标
- Canny边缘检测的概念
- 使用OpenCV函数 Canny 检测边缘.
二、基本理论
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,.
最优边缘检测的三个主要评价标准是:
- 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。
Canny边缘检测的步骤
- 使用高斯滤波器，以平滑图像，滤除噪声。
- 计算图像中每个像素点的梯度强度和方向。
- 应用非极大值（Non-Maximum Suppression）抑制，以消除边缘检测带来的杂散响应。
- 应用双阈值（Double-Threshold）检测来确定真实的和潜在的边缘。
- 通过抑制孤立的弱边缘最终完成边缘检测。
（双阈值检测的范围越大，检测越明显的边界，抑制微小边界；范围越小，检测的边界细节越多）
1.消除噪声
由于边缘检测对图像中的噪声很敏感，所以第一步是使用5x5的高斯滤波器去除图像中的噪声。
计算过程：将高斯核K归一化变为归一化高斯核H后，遍历平滑图像中的每一个像素点。
详细介绍参见我之前写的博文：【OpenCV-图像处理】图像平滑处理函数
2.计算图像的梯度
计算梯度幅值和方向。 此处，按照Sobel滤波器的步骤，用Sobel核在水平方向和垂直方向对平滑后的图像进行滤波，得到水平方向(Gx)和垂直方向(Gy)的一阶导数。:
b.运用一对卷积阵列 (分别作用于 x 和 y 方向):
a.使用下列公式计算梯度幅值和方向:
梯度方向近似到四个可能角度之一(一般 0°, 45°, 90°, 135°)
计算过程：
详细介绍参见我之前写的博文:【OpenCV-图像处理】如何计算图像梯度，以及如何使用梯度来检测边缘
3.非极大值抑制
这一步排除非边缘像素， 仅仅保留了一些细线条(候选边缘)。
4.滞后阈值（双阈值检测）
最后一步，Canny 使用了滞后阈值，滞后阈值需要两个阈值(高阈值和低阈值):
- 如果某一像素位置的幅值超过高阈值, 该像素被保留为边缘像素。
- 如果某一像素位置的幅值小于低阈值, 该像素被排除。
- 如果某一像素位置的幅值在两个阈值之间,该像素仅仅在连接到一个高于高阈值的像素时被保留。
Canny 推荐的 高:低 阈值比在 2:1 到3:1之间。
三、Canny边缘检测运算
3.1 cv2.Canny()函数
edges = cv2.Canny ( InputArray image,
double threshold1,
double threshold2,
int apertureSize = 3,
bool L2gradient = false
)
| 参数 | 说明 |
|---|---|
| image | 8位输入图像(灰度图像) |
| edges | 输出图像 (支持原地计算，可为输入图像) |
| threshold1 | 迟滞过程的第一个阈值minVal |
| threshold2 | 迟滞过程的第二个阈值maxVal |
| apertureSize | Sobel算子的核大小，缺省值是3 |
| L2gradient | 它指定了寻找梯度大小的方程。如果为真，则使用上述更准确的方程，否则使用此函数:Edge_Gradient(G)= |
举例演示
原图展示：
#######Canny边缘检测########
import numpy as np
import cv2
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei'] #文字字体为黑体
#读取图像
img = cv2.imread('car.jpg',0) #第二个参数0与cv2.IMREAD_GRAYSCALE等价，代表转换为灰度图
#Canny边缘检测
edges1 = cv2.Canny(img,100,200) #阈值为100-200
edges2 = cv2.Canny(img,20,200) #阈值为100-200
edges3 = cv2.Canny(img,100,400) #阈值为100-200
plt.subplot(221),plt.imshow(img,cmap = 'gray')
plt.title('Original Image'), plt.xticks([]), plt.yticks([])
plt.subplot(222),plt.imshow(edges1,cmap = 'gray')
plt.title('Edge Image1（阈值为100-200 ）'), plt.xticks([]), plt.yticks([])
plt.subplot(223),plt.imshow(edges2,cmap = 'gray')
plt.title('Edge Image2（阈值为20-200 ）'), plt.xticks([]), plt.yticks([])
plt.subplot(224),plt.imshow(edges3,cmap = 'gray')
plt.title('Edge Image3（阈值为100-400 ）'), plt.xticks([]), plt.yticks([])
plt.show()
运行结果：
主要参考于OpenCV官方网站：http://www.opencv.org.cn/
目前博主已更新OpenCV平滑处理函数、形态学操作函数的详细介绍，链接如下：
【OpenCV-图像处理】图像平滑处理函数
【OpenCV-图像处理】形态学变换函数
【OpenCV-图像处理】图像阈值处理
【OpenCV-图像处理】如何计算图像梯度，以及如何使用梯度来检测边缘
| <后续还会继续翻译和整理【OpenCV-图像处理】相关内容，如果需要，可持续关注我哦~> |
<翻译和整理不易，留个赞或评论支持一下我吧^^>
如有疑问，欢迎批评指正^^