OpenCV中的Canny边缘检测

学习笔记

[TOC]

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。

用到的函数：cv2.GaussianBlur()

参数：

  • src: 源图像
  • ksize: 卷积框
  • sigmaX：表现在高斯曲线上就是曲线越高越尖，表现在滤波效果上就是模糊程度小
  • sigmaY：表现在高斯曲线上就是曲线越矮越平缓，表现在滤波效果上就是模糊程度大
cv2.GaussianBlur(img, (5, 5), 70, 70)

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：

$$ Edge Gradient(G) = \sqrt(G_x^2 + G_y^2) $$

$$ Angle(\theta) = tan^{-1} (\frac{G_x}{G_y} ) $$

($G_x, G_y$) 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。

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，看这个的梯度是不是周围具有相同梯度方向的点中最大的。

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。

OpenCV中的Canny算法

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：

$$ Edege Gradient(G) = |G_x^2| + |G_y^2| $$

代替，默认值为 False。

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

img = cv2.imread("../imgs/test.jpeg")

cv2.namedWindow('image')


def do_nothing(x):
    pass


cv2.createTrackbar('minVal', 'image', 0, 500, do_nothing)
cv2.createTrackbar('maxVal', 'image', 0, 500, do_nothing)

while 1:
    minVal = cv2.getTrackbarPos('minVal', 'image')
    maxVal = cv2.getTrackbarPos('maxVal', 'image')
    if minVal > maxVal:
        cv2.setTrackbarPos('minVal', 'image', maxVal)
    dst = cv2.Canny(img, minVal, maxVal)
    cv2.imshow('image', dst)
    if cv2.waitKey(5) == ord('q'):
        break
cv2.destroyAllWindows()

原图：

原图

结果：（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。）

结果