系列文章目录

Canny边缘检测

Canny边缘检测是一种流行的边缘检测算法。它是由John F. Canny提出的一种多阶段的算法。

John Canny. A computational approach to edge detection. Pattern Analysis and Machine Intelligence, IEEE Transactions on, (6):679–698, 1986.

1. 原理

  1. 噪声去除

由于边缘检测容易受到图像中噪声的影响，所以第一步是使用5x5高斯滤波器去除图像中的噪声。我们在前面的章节中已经看到了这一点。

  1. 寻找图像的强度梯度

然后对平滑后的图像进行水平和垂直方向的Sobel核滤波，得到水平方向(Gx)和垂直方向(Gy)的一阶导数。从这两幅图像中，我们可以得到每个像素的边缘梯度和方向如下:

opencv-python学习笔记（八）—— 图像处理之Canny边缘提取_计算机视觉

梯度方向总是垂直于边。它是四个角中的一个，代表垂直、水平和两个对角线方向。

  1. 非极大值抑制

得到梯度大小和方向后，对图像进遍历，去除可能不构成边缘的像素。为此，在每个像素处，检查像素是否在梯度方向上是其邻域内的局部最大值。看看下面的图片:

opencv-python学习笔记（八）—— 图像处理之Canny边缘提取_人工智能_02

点A在边上(垂直方向上)。梯度方向垂直于边缘。点B和点C在梯度方向上。所以点A与点B和点C一起检查，看它是否形成局部最大值。如果是，则将其考虑为下一阶段，否则，将其抑制(置为零)。

简而言之，你得到的结果是一个具有“细边缘”的二值图像。

opencv-python学习笔记（八）—— 图像处理之Canny边缘提取_人工智能_03

边缘A在maxVal之上，因此被认为是“sure-edge”。虽然C边低于maxVal，但它与A边相连，所以这条边也被认为是有效边，我们得到了完整的曲线。但是边B虽然在minVal之上，并且与边C在同一区域，但它没有连接到任何“sure-edge”，因此该边被丢弃。因此，为了得到正确的结果，我们必须相应地选择minVal和maxVal。

这一阶段还可以在假设边缘是长线的情况下消除小像素噪声。

所以我们最终得到的是图像中的强边缘。

2. 代码

OpenCV将上述所有功能放在一个函数中： cv.Canny().

我们将看到如何使用它。第一个参数是我们的输入图像。第二个和第三个参数分别是minVal和maxVal。第三个参数是aperture_size。它是用于寻找图像梯度的Sobel核的大小。缺省值是3。最后一个参数是L2gradient，它指定了寻找梯度大小的方程。如果为True，则使用上面提到的方程，这个方程更准确，否则使用这个函数

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
img = cv.imread('messi5.jpg',0)
edges = cv.Canny(img,100,200)
plt.subplot(121),plt.imshow(img,cmap = 'gray')
plt.title('Original Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(edges,cmap = 'gray')
plt.title('Edge Image'), plt.xticks([]), plt.yticks([])
plt.show()

opencv-python学习笔记（八）—— 图像处理之Canny边缘提取_人工智能_04

3. 扩展资料

  1. Canny edge detector at Wikipedia
  2. Canny Edge Detection Tutorial by Bill Green, 2002.

参考：
John Canny. A computational approach to edge detection. Pattern Analysis and Machine Intelligence, IEEE Transactions on, (6):679–698, 1986.