Canny 边缘检测

原理

1. 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。

步骤

1. 消除噪声。 使用高斯平滑滤波器卷积降噪。 下面显示了一个  的高斯内核示例:

   

2. 计算梯度幅值和方向。 此处，按照Sobel滤波器的步骤:

   1. 运用一对卷积阵列 (分别作用于  和  方向):

      

   2. 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)

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: 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):

   1. 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。
   2. 如果某一像素位置的幅值小于 低 阈值, 该像素被排除。
   3. 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。

5. 想要了解更多细节，你可以参考任何你喜欢的计算机视觉书籍。

源码

1. 本程序做什么?
   • 要求使用者输入一个数字，设置 Canny Edge Detector 的低阈值 (通过trackbar)
   • 使用 Canny 边缘检测 产生一个 mask (白线代表边缘，黑色代表背景)。
   • 使用 mask 作为掩码显示原图像。
2. 本教程的源码如下，你也可以从 这里 下载

#include "opencv2/imgproc/imgproc.hpp"
#include "opencv2/highgui/highgui.hpp"
#include <stdlib.h>
#include <stdio.h>

using namespace cv;

/// 全局变量

Mat src, src_gray;
Mat dst, detected_edges;

int edgeThresh = 1;
int lowThreshold;
int const max_lowThreshold = 100;
int ratio = 3;
int kernel_size = 3;
char* window_name = "Edge Map";

/**
 * @函数 CannyThreshold
 * @简介： trackbar 交互回调 - Canny阈值输入比例1:3
 */
void CannyThreshold(int, void*)
{
  /// 使用 3x3内核降噪
  blur( src_gray, detected_edges, Size(3,3) );

  /// 运行Canny算子
  Canny( detected_edges, detected_edges, lowThreshold, lowThreshold*ratio, kernel_size );

  /// 使用 Canny算子输出边缘作为掩码显示原图像
  dst = Scalar::all(0);

  src.copyTo( dst, detected_edges);
  imshow( window_name, dst );
 }


/** @函数 main */
int main( int argc, char** argv )
{
  /// 装载图像
  src = imread( argv[1] );

  if( !src.data )
  { return -1; }

  /// 创建与src同类型和大小的矩阵(dst)
  dst.create( src.size(), src.type() );

  /// 原图像转换为灰度图像
  cvtColor( src, src_gray, CV_BGR2GRAY );

  /// 创建显示窗口
  namedWindow( window_name, CV_WINDOW_AUTOSIZE );

  /// 创建trackbar
  createTrackbar( "Min Threshold:", window_name, &lowThreshold, max_lowThreshold, CannyThreshold );

  /// 显示图像
  CannyThreshold(0, 0);

  /// 等待用户反应
  waitKey(0);

  return 0;
  }

解释

1. 创建程序中要用到的变量:

     Mat src, src_gray;
     Mat dst, detected_edges;
   
     int edgeThresh = 1;
     int lowThreshold;
     int const max_lowThreshold = 100;
     int ratio = 3;
     int kernel_size = 3;
     char* window_name = "Edge Map";
   
   注意:
   
   a. 我们首先设定高:低阈值比为 3:1 (通过变量 *ratio* )
   b. 设定内核尺寸为 :math:`3` (Canny函数内部调用Sobel操作)
   c. 将低阈值的上限设定为 :math:`100`.

2. 装载原图像:

   /// 装载图像
   src = imread( argv[1] );
   
   if( !src.data )
     { return -1; }
   

3. 创建与 src 同类型和大小的矩阵(dst)

   dst.create( src.size(), src.type() );
   

4. 将输入图像转换到灰度空间 (使用函数 cvtColor):

   cvtColor( src, src_gray, CV_BGR2GRAY );
   

5. 创建显示窗口

   namedWindow( window_name, CV_WINDOW_AUTOSIZE );
   

6. 创建trackbar，来获取用户交互输入的低阈值:

   createTrackbar( "Min Threshold:", window_name, &lowThreshold, max_lowThreshold, CannyThreshold );
   

   注意:

   1. 通过trackbar控制的变量为 lowThreshold ，上限为 max_lowThreshold (我们已经设定为100)
   2. 每次用户通过trackbar产生变动,回调函数 CannyThreshold 被调用.

7. 让我们一步一步的来观察 CannyThreshold 函数:

   1. 首先, 使用 3x3的内核平滑图像:

      blur( src_gray, detected_edges, Size(3,3) );
      

   2. 其次,运用 Canny 寻找边缘:

      Canny( detected_edges, detected_edges, lowThreshold, lowThreshold*ratio, kernel_size );
      

      输入参数:

      • detected_edges: 原灰度图像
      • detected_edges: 输出图像 (支持原地计算，可为输入图像)
      • lowThreshold: 用户通过 trackbar设定的值。
      • highThreshold: 设定为低阈值的3倍 (根据Canny算法的推荐)
      • kernel_size: 设定为 3 (Sobel内核大小，内部使用)

8. 填充 dst 图像，填充值为0 (图像全黑).

   dst = Scalar::all(0);
   

9. 最后, 使用函数 copyTo 标识被检测到的边缘部分 (背景为黑色).

   src.copyTo( dst, detected_edges);
   

   copyTo 将 src 图像拷贝到 dst . 但是，仅仅拷贝掩码不为0的像素。既然Canny边缘检测的输出是镶嵌在黑色背景中的边缘像素，因此其结果 dst图像除了被检测的边缘像素，其余部分都为黑色。

10. 显示结果:

    imshow( window_name, dst );
    

结果

• 在编译上面的代码之后, 我们可以运行结果，将图片路径输入，如下图:

  

• 滑动标尺, 尝试不同的阈值，我们得到如下结果: