Canny 边缘检测

1 原理

Canny 边缘检测是一种非常流行的边缘检测算法，是 John F.Canny 在1986 年提出的。它是一个有很多步构成的算法，接下来会逐步介绍。

1）噪声去除

由于边缘检测很容易受到噪声影响，所以第一步是使用 5x5 的高斯滤波器去除噪声，这个前面我们已经学过了。

2） 计算图像梯度

对平滑后的图像使用 Sobel 算子计算水平方向和竖直方向的一阶导数（图像梯度）（Gx 和 Gy）。根据得到的这两幅梯度图（Gx 和 Gy）找到边界的梯度和方向，公式如下：

梯度的方向一般总是与边界垂直。梯度方向被归为四类：垂直，水平，和两个对角线。

3) 非极大值抑制

在获得梯度的方向和大小之后，应该对整幅图像做一个扫描，去除那些非边界上的点。对每一个像素进行检查，看这个点的梯度是不是周围具有相同梯度方向的点中最大的。如下图所示:

现在你得到的是一个包含“窄边界”的二值图像。

4) 滞后阈值

现在要确定那些边界才是真正的边界。这时我们需要设置两个阈值：minVal 和 maxVal。当图像的灰度梯度高于 maxVal 时被认为是真的边界，那些低于 minVal 的边界会被抛弃。如果介于两者之间的话，就要看这个点是否与某个被确定为真正的边界点相连，如果是就认为它也是边界点，如果不是就抛弃。如下图：

A 高于阈值 maxVal 所以是真正的边界点，C 虽然低于 maxVal 但高于minVal 并且与 A 相连，所以也被认为是真正的边界点。而 B 就会被抛弃，因为他不仅低于 maxVal 而且不与真正的边界点相连。所以选择合适的 maxVal和 minVal 对于能否得到好的结果非常重要。

在这一步一些小的噪声点也会被除去，因为我们假设边界都是一些长的线段。

2 OpenCV 中的 Canny 边界检测

在 OpenCV 中只需要一个函数：cv2.Canny()，就可以完成以上几步。让我们看如何使用这个函数。这个函数的第一个参数是输入图像。第二和第三个分别是 minVal 和 maxVal。第三个参数设置用来计算图像梯度的 Sobel卷积核的大小，默认值为 3。最后一个参数是 L2gradient，它可以用来设定求梯度大小的方程。如果设为 True，就会使用我们上面提到过的方程，否则使用方程：Edge Gradient(G) = |G2x| + |G2y| 代替，默认值为 False。

import cv2
import numpy as np
from matplotlib import pyplot as plt

img = cv2.imread('C:/Users/www12/Desktop/xingkong.jpg',0)
edges = cv2.Canny(img,100,200)

cv2.imshow('xingkong', img)
cv2.imshow('xingkong_edges', edges)
cv2.waitKey()
cv2.destroyAllWindows()

小练习

写一个小程序，可以通过调节滑动条来设置阈值 minVal 和 maxVal 进而来进行 Canny 边界检测。这样你就会理解阈值的重要性了。

import cv2
import numpy as np

def nothing(x):
    pass

img = cv2.imread('C:/Users/www12/Desktop/xingkong.jpg')

res=cv2.resize(img,None,fx=1,fy=2,interpolation=cv2.INTER_CUBIC)

cv2.namedWindow('image')

cv2.createTrackbar('maxVal','image',0,1000, nothing)
cv2.createTrackbar('minVal','image',0,1000, nothing)

while(1):
    cv2.imshow('image_origin',img)
    k=cv2.waitKey(1)&0xFF
    if k==27:
        break
    max=cv2.getTrackbarPos('maxVal','image') 
    min=cv2.getTrackbarPos('minVal','image') 
    edges = cv2.Canny(img,min,max)
    cv2.imshow('image',edges)
cv2.destroyAllWindows()