Skip to main content

11: 边缘检测

学习使用 Canny 获取图像的边缘。图片等可到文末引用处下载。

Canny J . A Computational Approach To Edge Detection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1986, PAMI-8(6):679-698.

目标​

  • Canny 边缘检测的简单概念
  • OpenCV 函数：cv2.Canny()

教程​

Canny 边缘检测方法常被誉为边缘检测的最优方法，废话不多说，先看个例子：

import cv2
import numpy as np

img = cv2.imread('handwriting.jpg', 0)
edges = cv2.Canny(img, 30, 70)  # canny 边缘检测

cv2.imshow('canny', np.hstack((img, edges)))
cv2.waitKey(0)

cv2.Canny()进行边缘检测，参数 2、3 表示最低、高阈值，下面来解释下具体原理。

tip

之前我们用低通滤波的方式模糊了图片，那反过来，想得到物体的边缘，就需要用到高通滤波。推荐先阅读：番外篇：图像梯度。

Canny 边缘检测​

Canny 边缘提取的具体步骤如下：

1，使用 5×5 高斯滤波消除噪声：

边缘检测本身属于锐化操作，对噪点比较敏感，所以需要进行平滑处理。高斯滤波的具体内容参考前一篇：平滑图像

K=1256[1464141624164624362464162416414641]K=\frac{1}{256}\left[ \begin{matrix} 1 & 4 & 6 & 4 & 1 \newline 4 & 16 & 24 & 16 & 4 \newline 6 & 24 & 36 & 24 & 6 \newline 4 & 16 & 24 & 16 & 4 \newline 1 & 4 & 6 & 4 & 1 \end{matrix} \right]

2，计算图像梯度的方向：

首先使用 Sobel 算子计算两个方向上的梯度GxG_x和GyG_y，然后算出梯度的方向：

θ=arctan⁡(GyGx)\theta=\arctan(\frac{G_y}{G_x})

保留这四个方向的梯度：0°/45°/90°/135°，有什么用呢？我们接着看。

3，取局部极大值：

梯度其实已经表示了轮廓，但为了进一步筛选，可以在上面的四个角度方向上再取局部极大值：

比如，A 点在 45° 方向上大于 B/C 点，那就保留它，把 B/C 设置为 0。

4，滞后阈值：

经过前面三步，就只剩下 0 和可能的边缘梯度值了，为了最终确定下来，需要设定高低阈值：

  • 像素点的值大于最高阈值，那肯定是边缘（上图 A）
  • 同理像素值小于最低阈值，那肯定不是边缘
  • 像素值介于两者之间，如果与高于最高阈值的点连接，也算边缘，所以上图中 C 算，B 不算

Canny 推荐的高低阈值比在 2:1 到 3:1 之间。

先阈值分割后检测​

其实很多情况下，阈值分割后再检测边缘，效果会更好：

_, thresh = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
edges = cv2.Canny(thresh, 30, 70)

cv2.imshow('canny', np.hstack((img, thresh, edges)))
cv2.waitKey(0)

代码中我用了番外篇：Otsu 阈值法中的自动阈值分割，如果你不太了解，大可以使用传统的方法，不过如果是下面这种图片，推荐用 Otsu 阈值法。另外 Python 中某个值不用的话，就写个下划线'_'。

练习​

  1. （选做）如果你不太理解高低阈值的效果，创建两个滑动条来调节它们的值看看：

小结​

  • Canny 是用的最多的边缘检测算法，用cv2.Canny()实现。

接口文档​

引用​