Canny 边缘提取相关知识学习，图像处理第 32 篇博客

Python OpenCV 365 天学习计划，与橡皮擦一起进入图像领域吧。本篇博客是这个系列的第 32 篇。

基础知识铺垫

Canny边缘提取的目标是找到一个最优的边缘检测算法，从这里能看出，目标依旧是提取边缘。

它的原理是：检测出图像中所有灰度值变化较大的点，这些点进行连接形成线条，线条的集合就是图像的边缘。

该边缘检测比较流行，我们进行一下学习吧。

在这里依旧补充一下图像里面什么是边缘：

直观上图像的边缘是灰度值突然改变的地方，边缘产生有以下几个原因：

• 表面法向量不连续（新知识，法向量：垂直于平面的直线所表示的向量为该平面的法向量）；
• 深度的不连续；
• 表面颜色的不连续；
• 光照的不连续。

好的边缘提取器的标准

该标准适用于检测所有边缘提取算法

• Good detection：既不能过多的检测出噪声，也不能丢失边缘信息；
• Good localization：边缘应该尽可能和真实图像边缘接近；
• Single response：边缘提取的尽可能细，每个只占一个像素点。

Canny 边缘检测的相关说明

首先看一下网上对其步骤的说明：

1. 图像降噪，使用高斯滤波器，消除噪声，使用 GaussianBlur 函数；
2. 计算图像梯度，每个像素的梯度和方向都要计算，使用 Sobel 与 Scharr 函数；
3. 非极大值抑制，消除边缘检测带来的杂散响应（新名词）；
4. 阈值筛选，高低阈值输出二值图像。

Canny 函数原型

edges = cv2.Canny(image, threshold1, threshold2[, edges[, apertureSize[, L2gradient]]])
edges =	cv.Canny(dx, dy, threshold1, threshold2[, edges[, L2gradient]]

参数说明如下：

• image：输入图像；
• threshold1：低阈值；
• threshold2：高阈值；
• edges：这个参数就比较迷了，输出的边缘图（为何不用 dst）；
• apertureSize：算子大小，默认值为 3；
• L2gradient：计算图像梯度的方式。

官方参数说明可以点击学习

测试代码如下：

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
src = cv.imread("test1.jpg", 0)
# 图像降噪
src = cv.GaussianBlur(src, (3, 3), 0)
# 图像梯度
xgrad = cv.Sobel(src, cv.CV_16SC1, 1, 0)
ygrad = cv.Sobel(src, cv.CV_16SC1, 0, 1)

# Canny 边缘检测，50 为低阈值，150 为高阈值，参数必须符合1：3或者1：2
canny = cv.Canny(xgrad, ygrad, 50, 150)
# 直接用灰度图像
# canny = cv.Canny(gray, 50, 150)

imgs = np.hstack([src, canny])
plt.figure(figsize=(20, 10))
plt.imshow(imgs, "gray")
plt.axis('off')
plt.show()

运行之后，可以发现图像边缘提取的还可以。

高低阈值筛选
如果 low，high 为阈值，那高于 high 的都保留，小于 low 的都丢弃，最终即可输出二值图像，推荐高低阈值比例为 1:3 或者 1:2。

上面代码还遗留一个小问题，即使用灰度图像，如果读取进来的图片没有进行该转换，最终得到的效果会有差异，效果图如下：

官方手册相关知识可以点击

加入滑动条

对于这种涉及值的操作，都可以使用滑动条解决问题。

修改成动态调参代码与效果如下：

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
src = cv.imread("test1.jpg")

cv.namedWindow("bar", cv.WINDOW_AUTOSIZE)

low_threshold = 0
high_threshold = 0


def do(x):
    global high_threshold
    if x != 0:
        high_threshold = 3 * x


cv.createTrackbar("low_threshold", "bar", 10, 100, do)

# 图像降噪
src = cv.GaussianBlur(src, (3, 3), 0)

gray = cv.cvtColor(src, cv.COLOR_BGR2GRAY)
# 图像梯度
xgrad = cv.Sobel(gray, cv.CV_16SC1, 1, 0)
ygrad = cv.Sobel(gray, cv.CV_16SC1, 0, 1)

while True:
    low_threshold = cv.getTrackbarPos("low_threshold", "bar")
    canny = cv.Canny(gray, low_threshold, high_threshold)
    cv.imshow("canny", canny)
    if cv.waitKey(1) & 0xFF == 27:
        break

cv.destroyAllWindows()

相关数学知识挖坑

本部分用于记录本文中提及的相关数学原理，后续逐步埋坑。

• x 轴与 y 轴方向上的一阶偏导数；
• 反三角函数；
• 高斯滤波器公式；
• 法向量。

橡皮擦的小节

希望今天的 1 个小时（今天内容有点多，不一定可以看完），你有所收获，我们下篇博客见~

今天是持续写作的第 73 / 100 天。
如果你有想要交流的想法、技术，欢迎在评论区留言。

博主 ID：梦想橡皮擦，希望大家点赞、评论、收藏。