Python OpenCV Canny邊緣檢測演演算法的原理實現詳解

2022-07-17 18:01:37

Gaussian smoothing

總的來說，Canny邊緣檢測可以分為四個步驟：

由於邊緣檢測對噪聲敏感，因此對影象應用高斯平滑以幫助減少噪聲。
具體做法是，採用一個5*5的高斯平滑濾波器對影象進行濾波處理。

Computing the gradient magnitude and orientation

對平滑後的影象，在水平、垂直兩個方向上使用Sobel運算元（如下圖）計算梯度大小，得到兩個方向上的一階導數Gx與Gy。

在得到兩個方向上的梯度之後，對這兩個向量求和，得到這一點處的梯度大小與方向。

採用四捨五入，將梯度方向確定為上下左右與四個對角線方向之一（45°的倍數）。

Non-maxima suppression

在得到梯度大小與方向之後，對影象進一步掃描，去除不構成邊緣的不重要的畫素資訊，這裡採用的方法是非極大值抑制——在每個畫素處，檢查畫素是否在其梯度方向的鄰域中是區域性最大值，只保留區域性最大值的梯度。

在上圖中，點A位於邊緣上。梯度方向與邊緣方向垂直。為了確定要不要保留A點作為邊緣，需要將A點處的梯度大小與B、C兩點的梯度大小比較，如果A點的梯度大小不是區域性最大，則將該點抑制。

因此，從結果上講，NMS其實是將B、C兩點抑制了，它們不會出現在結果中，因此這一步的效果是“thin edges”。

Hysteresis thresholding

定義上界與下界兩個閾值，並規定：

任何梯度強度大於上界的畫素都是邊；
任何梯度強度小於下界的畫素都不是邊；
任何梯度介於兩個閾值之間的可能是邊，此時考察它們的連通性，如果它們和第一種情況（確定是邊緣的畫素）相連線，就認為它們是邊緣，否則認為它們不是邊緣。

在上圖中，A點在maxVal閾值之上，確定是邊緣。C介於兩個閾值之間，但與A相連，因此它也是邊緣。B介於兩個閾值之間，它所在的曲線上並沒有任何畫素點的梯度強度在maxVal之上，因此它不是邊緣。

需要指出的是，上面四步操作之後得到的是strong edges。

OpenCV實現

OpenCV提供了cv.Canny()方法，該方法將輸入的原始影象轉換為邊緣影象。

該方法的原型為：

cv.Canny(image, threshold1, threshold2[, edges[, apertureSize[, L2gradient]]]) -> 	edges
cv.Canny(dx, dy, threshold1, threshold2[, edges[, L2gradient]]) -> edges

image引數是array格式的輸入影象。threshold1與threshold2分別是我們的下界閾值與上界閾值。apertureSize是用於查詢影象梯度的Sobel核的大小，預設為3。L2gradient指定了求梯度幅值的公式，是一個布林型變數，預設為False。當它為True時，使用L2，否則使用L1。

下面是具體程式碼：

def canny_detect(image_path, show=True):
    # 讀取影象
    image = cv2.imread(image_path, 0)
    # 獲取結果
    edges = cv2.Canny(image, 100, 200)
    if show:
        # 繪製原圖
        plt.subplot(121)
        plt.imshow(image, cmap='gray')
        plt.title('Original Image')
        plt.xticks([])
        plt.yticks([])
        # 繪製邊緣圖
        plt.subplot(122)
        plt.imshow(edges, cmap='gray')
        plt.title('Edge Image')
        plt.xticks([])
        plt.yticks([])

        plt.show()
    return edges
canny_detect('images/2.jpeg')

效果：

到此這篇關於Python OpenCV Canny邊緣檢測演演算法的原理實現詳解的文章就介紹到這了,更多相關Python OpenCV Canny邊緣檢測內容請搜尋it145.com以前的文章或繼續瀏覽下面的相關文章希望大家以後多多支援it145.com！