Opencv中的Canny边缘检测

• • 1.Canny引入
  • 2.Canny算法实现步骤
  • • （1）去噪
    • （2）计算梯度和梯度方向
    • （3）过滤非最大值
    • （4）使用阈值检测边缘
  • 3.Canny函数实现
  • 4.实例代码测试
  • • （1）图片测试代码
    • • （1）调节阈值大小
      • （2）使用L2gradient=True
      • （3）设置apertureSize中的Sobel算子大小
    • （2）实时检测代码
  • 5.Canny的实际应用

（1）Canny边缘检测算子是John.F.Canny与1986年开发出来的一个多级边缘检测算法；边缘检测是计算机视觉中一个非常古老的问题，它涉及到检测图像中的边缘来确定目标的边界，从而分离感兴趣的目标。最流行的边缘检测技术之一是Canny边缘检测。
（2）对最优边缘检测算法评价
a.好的检测：算法能够尽可能多的标识出图片中的实际边缘；
b.好的定位：标识出的边缘要与实际图片中的实际边缘尽可能的接近；
c.最小响应：图像中的边缘只能标识一次，并且可能存在的图像噪声不应该标识为边缘。
https://wenku.baidu.com/view/54a32be6d6bbfd0a79563c1ec5da50e2524dd1da.html

：因为原始的图片具有很多随机的噪声，那么在进行边缘处理的时候很容易将这些噪声视为图像的边缘，可以使用5x5的高斯滤波器对图像进行平滑（模糊）。

：使用4个mask检测水平，垂直以及对角线方向的边缘；原始图像和每个mask进行卷积并且保存起来，对于每个点都标识这个点上的最大值以及生成的边缘的方向：

：在高斯滤波过程中，边缘可能别被放大，因为在真实的图片中，梯度值最大有可能比较多，所以需要对边缘进行过滤，使边缘的宽度尽可能为一个像素点；如果一个像素点属于边缘，那么这个像素点在梯度方向上梯度值最大；否则不是边缘，将像素值设置为0；

：使用一个阈值检测边缘不太合理，使用上下阈值来检测边缘；我们选择valueMax作为高阈值，valueMin作为低阈值；任何梯度值大于高阈值（valueMax）的一定为边缘；任何小于低阈值（valueMin）的一定不是边缘；而对高阈值和低阈值之间的值进行检查，如果边缘相连，则视为边缘；否则不是边缘。

（5）python中的Canny函数
Canny(InputArray image, double threshold1,double threshold2,OutputArray edges=None, int apertureSize=None,bool  L2gradient=None)
参数解释：
Image：输入图像（源图像），单通道为8bit；
Threshold1：第一个滞后性阈值；
Threshold2：第二个滞后性阈值；
Edges:输出边缘图，需要和一样的尺寸和数据类型；
apertureSize:应用Sobel算子的孔径大小，默认值为3；
L2gradient:计算图像梯度幅度值的情况，默认值为False；如果为 True，则使用更精确的 L2 范数进行计算
边缘检测算子：https://blog.csdn.net/wsp_1138886114/article/details/81368890

import os
import cv2
import numpy as np

def handl_Canny(pic_path='images/lenna.jpg'):
    #读取图像
    img=cv2.imread(pic_path)
    #缩放图像的大小
    img=cv2.resize(src=img,dsize=(512,512))
    #对图像进行边缘检测，低阈值=50 高阈值=200
    img_canny=cv2.Canny(img,threshold1=50,threshold2=200)
    #显示检测之后的图像
    cv2.imshow('image',img_canny)
    #显示原图像
    cv2.imshow('src',img)
    cv2.waitKey(0)

#销毁所有的窗口
cv2.destroyAllWindows()
if __name__ == '__main__':
    print('PyCharm')
    handl_Canny()

threshold1=80,threshold2=200

threshold1=130,threshold2=200

threshold1=50,threshold2=220

threshold1=30,threshold2=100

threshold1=30,threshold2=80

总结：可以发现随着threshold1和threshold2的差距变大，检测出的边缘越来越少。因为他们之间的阈值间距越大，那么出现在阈值之间的梯度值就越多，出现不连续的边缘也就越多，导致很多都被过滤掉，所以最后检测出的边缘较少；但是比如threshold1=30,threshold2=100之间相差70，而threshold1=100,threshold2=170之间也是相差70，但是前面一种检测出的边缘又比后面的多，因为梯度值大多数集中在了100以下，所以前面一种检测出的边缘更多。

如果为 True，则使用更精确的 L2 范数进行计算

上比于上面，threshold1=30,threshold2=80，检测出的边缘越来越少了；

Canny(img,threshold1=50,threshold2=200,apertureSize=5)

和上面的threshold1=50,threshold2=200,比较，细节要多了很多。
https://blog.csdn.net/wsp_1138886114/article/details/81368890

import os
import cv2
import numpy as np
def detect_Canny():
    cap=cv2.VideoCapture(0)
    while cap.isOpened():
        OK,frame=cap.read()
        # 缩放图像的大小
        img = cv2.resize(src=frame, dsize=(512, 512))
        # 对图像进行边缘检测，低阈值=50 高阈值=200
        img_canny = cv2.Canny(img, threshold1=30, threshold2=100)
        # 显示检测之后的图像
        cv2.imshow('image', img_canny)
        if cv2.waitKey(1)&0xFF==27:
            break
    cap.release()
    cv2.destroyAllWindows()

#销毁所有的窗口
cv2.destroyAllWindows()
if __name__ == '__main__':
    print('PyCharm')
 
    detect_Canny()

如视觉显著性检测，目标检测，跟踪和运动分析，结构从运动，3D重建，自动驾驶，图像到文本分析等等