【文档翻译】OpenCV－Canny Edge Detection

翻译 › OpenCV › 算法

原文 https://docs.opencv.org/3.1.0/da/d22/tutorial_py_canny.html

1. Goal

本章节我们将学到：

  1. Canny 边缘检测的概念；
  2. OpenCV 函数 cv2.Canny() 的使用；

2. Theory

Canny 边缘检测是一个相当流行的边缘检测算法，它由 John F. Canny 提出。该算法是一个多步骤的算法，接下来我们将介绍其中的每一个步骤。

2.1 Noise Reduction

由于边缘检测对图像中的噪点非常敏感，所以第一步就是过滤到图像中的噪声。这一步通过一个 5x5 的高斯滤波完成，即对图像进行模糊处理。

2.2 Finding Intensity Gradient of the Image

模糊处理后的图像用一个 Sobel 算子对其在垂直和水平方向计算一阶偏导 $G_x$ 和 $G_y$。通过 $G_x$ 和 $G_y$ 就可以得到图像中每一个像素的梯度及其方向，梯度及其方向计算如下：

梯度方向永远垂直于边，它可以是四个角点之一，分别代表垂直、水平和两条对角线方向。

2.3 Non-maximum Suppression

当得到梯度大小及其方向后，将对整幅图像进行扫描以排除掉那些不会是构成边的像素。为了达到这个目的，在每一个像素都将检查该像素在其梯度方向上是否是局部最大值。

794

点 A 位于垂直方向的边上，其梯度方向垂直于边。点 B 和 C 在点 A 的梯度方向上。如果在点 A、B、C 中，A 为最大值（局部最大值），那么进行下一步。如果不是，则该点被排除（置为0）。

2.4 Hysteresis Thresholding

这一步判断在上一步得出的边界中，哪些是真正的边，哪些不是。为了达到这个目的，需要两个阈值 minVal 和 maxVal。任何梯度值大于 maxVal 的边界都将被当做真正的边，梯度值小于 minVal 的边界都将被忽略。处于 minVal 和 maxVal 之间的边界将根据他是否与真正的边连同来判断。如果其与真正的边相连，那么它将被当做真正的边，如果没有真正的边与之相连，那么它也将被忽略。如下图所示：

1179

边 A 中像素梯度大于 maxVal 的部分是真正的边，边 C 是边 A 中小于 maxVal 的部分，但它与边 A 相连，所以它也当做是真正的边。这样就得到的完整的曲线边界。但是边 B 与边 C 一样位于 minVal 和 maxVal 之间，但是由于它没有真正的边与其相连，所以边 B 将被忽略。因此采用恰当的 minVal 和 maxVal 值对于获取正确的结果十分重要。

由于这一步中假设边是长边，所以该步骤中也能过滤掉一些小的像素噪声。

3. Canny Edge Detection in OpenCV

OpenCV 将上述的所有步骤都封装到了一个函数中，cv2.Canny()。接下来将描述如何使用该函数。

1
2
Python:
edges	=	cv.Canny(	image, threshold1, threshold2[, edges[, apertureSize[, L2gradient]]]	)

第一个参数 image 是输入的图像，第二个和第三个参数是 minVal 和 maxVal 的值。第四个参数是输出的灰度图像，其与输入图像大小一致，第五个参数是 Sobel 算子的大小，默认是 3。最后一个参数默认为 false，即使用 $norm = |dI/dx| + |dI/dy|$ 来近似计算梯度大小。如果为 true 则使用 $norm = \sqrt{(dI/dx)^2 + (dI/dy)^2}$ 来更加精确的计算梯度大小。

1
2
3
4
5
6
7
8
9
10
11
12
13
import cv2
import numpy as np
from matplotlib import pyplot as plt

img = cv2.imread('messi5.ijpg', 0)
edges = cv2.Canny(img, 100, 200)

plt.subplot(121), plt.imshow(img, "gray")
plt.title("Origin Image"), plt.xticks([]), plt.yticks([])
plt.subplot(122), plt.imshow(edges, "gray")
plt.title("Edgee Image"), plt.xticks([]), plt.yticks([])

plt.imshow()

结果如下：

3560