图像分割 - Canny边缘检测

目录

1. 介绍

2. Code

---

1. 介绍

Canny 边缘检测基于以下三个目标：

• 低错误率。所有边缘都应该被找到，不应该有虚假响应
• 边缘点应该更好的被定位。检测到的边缘和真实边缘之间的距离应该最小
• 单个边缘点响应。对于真实的边缘点，检测子应该只返回一个点，

Canny边缘检测算法的步骤：

Canny 是基于一阶微分的

1.  首先用高斯滤波平滑图像。
2.  计算梯度幅值图像和方向角度图像
3. 对梯度图像应用非极大值抑制
4. 使用双阈值处理和连通性分析来检测连接边缘

首先，检测边缘前要平滑图像减少噪声的影响。这里采样的是高斯滤波器，高斯核的大小 >= 滤波器标准差的6倍取最小的奇整数

其次，需要用一阶导数计算幅值图像和角度图像。Canny检测是基于一阶导数的，所以这里使用的是一阶差分算子。

然后，对梯度图像进行非极大值抑制NMS（Non - Maxima Suppression）。根据第二步求出的角度图像，用该像素点 比较 在梯度方向和其反方向的像素点。如果该像素点的梯度幅值最大则保留；否则，删去。

 最后，进行双阈值处理。用来确定真正的边缘和删去伪边缘

根据设置的两个阈值（ 为低阈值  为高阈值），就会将幅值图像划为三部分，进行如下的分割

• 像素点的响应强度是 >  的，那么认为是真正的边缘
• 像素点的响应强度是 <   的，那么认为是伪边缘，删去
• 如果介于两者之间，则检查周围的8领域，如果存在真正的边缘就保留，为了连接边缘。否则就删去

 

2. Code

opencv 里面Canny 的语法格式为：

 

注：

• 彩色图像也可以
• 高低阈值比例最后控制在2：1到3：1之间
• L2gradient 为计算幅值图像的方式，默认为近似计算（绝对值代替平方和），设置为True的时候，采样精确的计算

 

代码演示：

import numpy as np
import cv2

img = cv2.imread('./flower.jpg',0)

dst = cv2.Canny(img,100,200)    # Canny 边缘检测

cv2.imshow("img",np.hstack((img,dst)))
cv2.waitKey()
cv2.destroyAllWindows()

处理结果为：