OpenCV-python学习笔记（十）——Canny边缘检测

十、Canny边缘检测

Canny边缘检测是一种使用多级边缘检测算法检测边缘的方法

10.1 Canny边缘检测基础

Canny边缘检测的步骤：

（1）去噪。

（2）计算梯度的幅度与方向

（3）非极大值抑制，适当地让边缘“变瘦”

（4）确定边缘，使用双阈值算法确定最终的边缘信息

10.1.1 高斯滤波去除图像噪声

图像的边缘易收到噪声的干扰，我们为了检测到准确的边缘信息，通常要对图像进行滤波去除噪声。滤波的目的是平滑一些纹理较弱的非边缘区域。

高斯滤波器T对图像O的像素点226滤波得到D

高斯滤波器不是固定的，滤波器的核越大，边缘信息对噪声的敏感度就越低，边缘检测的定位错误也会越大，所以一般使用5×5的核就可以满足大多数情况。

10.1.2 计算梯度

梯度的方向与边缘的方向是垂直的，通常取近似值为水平、垂直、对角线

边缘检测算子返回水平方向的Gx和垂直方向的Gy，梯度的幅度和方向表示为：

atan2（）表示具有两个参数的arctan函数

梯度的可视化表示方法：

2↑表示梯度的幅度为2，方向为90°

10.1.3 非极大值抑制

确定好梯度和方向后，遍历图像的每一个像素点，判断当前像素点是否是周围像素点中具有相同梯度方向的最大值，并根据结果判断是否抑制该点。

如果该点是正或负方向上的局部最大值，则保留该点。如果不是，就抑制该点（归零）

10.1.4 双阈值确定边缘

经过上述细化边缘后，获取的边缘有强边缘和虚边缘（真实图像产生或噪声产生），所以我们要去除由噪声产生的虚边缘

设置两个阈值，maxVal，minVal，步骤为：

（1）当边缘像素的梯度值大于或等于maxVal，则当前边缘像素为强边缘。

（2）大于minVal小于maxVal时，像素为虚边缘（需要保留）。

（3）小于等于minVal时，则抑制当前边缘像素。

得到虚边缘后，要判断虚边缘与墙边缘是否连接，若与强边缘连接则处理为边缘，若与强边缘无连接，则为弱边缘，抑制。

高阈值和低阈值是不固定的，要针对不同图像进行定义。

10.2 Canny函数

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

image：输入的8位图像

threshold1：第一个阈值

threshold2：第二个阈值

apertureSize：Sobel算子的孔径大小

L2gradient：计算图像梯度幅度的标识，默认值为False，如果为Ture，则使用更精确的L2范数进行计算**（两个方向的导数的平方和再开方），否则使用L1范数（直接两个方向的导数的绝对值相加）**

当threshold1和threshold2值较小时，可以获得更多的边缘信息。

示例：使用不同大小的阈值获得不同的边缘信息

import cv2
o=cv2.imread ("lena.png",cv2.IMREAD_GRAYSCALE)
r1=cv2.Canny (o,128,200)
r2=cv2.Canny (o,32,128)
cv2.imshow ("original",o)
cv2.imshow ("result1",r1)
cv2.imshow ("result2",r2)
cv2.waitKey ()
cv2.destroyAllWindows ()

结果：