Gaussian smoothing
总的来说，Canny边缘检测可以分为四个步骤：
由于边缘检测对噪声敏感，因此对图像应用高斯平滑以帮助减少噪声。
具体做法是，采用一个5*5的高斯平滑滤波器对图像进行滤波处理。
Computing the gradient magnitude and orientation
对平滑后的图像，在水平、垂直两个方向上使用Sobel算子（如下图）计算梯度大小，得到两个方向上的一阶导数Gx与Gy。
在得到两个方向上的梯度之后，对这两个向量求和，得到这一点处的梯度大小与方向。
采用四舍五入，将梯度方向确定为上下左右与四个对角线方向之一（45°的倍数）。
Non-maxima suppression
在得到梯度大小与方向之后，对图像进一步扫描，去除不构成边缘的不重要的像素信息，这里采用的方法是非极大值抑制——在每个像素处，检查像素是否在其梯度方向的邻域中是局部最大值，只保留局部最大值的梯度。
在上图中，点A位于边缘上。梯度方向与边缘方向垂直。为了确定要不要保留A点作为边缘，需要将A点处的梯度大小与B、C两点的梯度大小比较，如果A点的梯度大小不是局部最大，则将该点抑制。
因此，从结果上讲，NMS其实是将B、C两点抑制了，它们不会出现在结果中，因此这一步的效果是“thin edges”。
Hysteresis thresholding
定义上界与下界两个阈值，并规定：
- 任何梯度强度大于上界的像素都是边；
- 任何梯度强度小于下界的像素都不是边；
- 任何梯度介于两个阈值之间的可能是边，此时考察它们的连通性，如果它们和第一种情况（确定是边缘的像素）相连接，就认为它们是边缘，否则认为它们不是边缘。
在上图中，A点在maxVal阈值之上，确定是边缘。C介于两个阈值之间，但与A相连，因此它也是边缘。B介于两个阈值之间，它所在的曲线上并没有任何像素点的梯度强度在maxVal之上，因此它不是边缘。
需要指出的是，上面四步操作之后得到的是strong edges。
OpenCV实现
OpenCV提供了cv.Canny()方法，该方法将输入的原始图像转换为边缘图像。
该方法的原型为：
cv.Canny(image, threshold1, threshold2[, edges[, apertureSize[, L2gradient]]]) -> edges cv.Canny(dx, dy, threshold1, threshold2[, edges[, L2gradient]]) -> edges
image参数是array格式的输入图像。threshold1与threshold2分别是我们的下界阈值与上界阈值。apertureSize是用于查找图像梯度的Sobel核的大小，默认为3。L2gradient指定了求梯度幅值的公式，是一个布尔型变量，默认为False。当它为True时，使用L2，否则使用L1。
下面是具体代码：
def canny_detect(image_path, show=True):
# 读取图像
image = cv2.imread(image_path, 0)
# 获取结果
edges = cv2.Canny(image, 100, 200)
if show:
# 绘制原图
plt.subplot(121)
plt.imshow(image, cmap='gray')
plt.title('Original Image')
plt.xticks([])
plt.yticks([])
# 绘制边缘图
plt.subplot(122)
plt.imshow(edges, cmap='gray')
plt.title('Edge Image')
plt.xticks([])
plt.yticks([])
plt.show()
return edges
canny_detect('images/2.jpeg')
效果：
到此这篇关于Python OpenCV Canny边缘检测算法的原理实现详解的文章就介绍到这了,更多相关Python OpenCV Canny边缘检测 内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！