Python OpenCV Canny 边缘检测知识补充

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 47 篇。

学在前面

在 Canny 边缘提取相关知识学习，图像处理第 32 篇博客 这篇博客中，我们已经对 Canny 边缘检测进行了基本的学习，今天这篇文章主要用于对其进行补充，当然知识难度不大，1 个小时就能学到。

Canny 边缘检测流程

参照互联网大家发布最多的流程

1. 高斯模糊去噪；
2. 计算图像梯度幅值和方向，这里一般用的是 Sobel 算子；
3. 非极大值抑制，简单理解就是“瘦边”；
4. 双阈值检测，也叫做滞后阈值。

按照上面的步骤进行翻译，就能写出一个 Canny 朴实的案例了

import cv2 as cv
import numpy as np

src = cv.imread("./t7.jpg", 0)
# 高斯模糊
gaussian = cv.GaussianBlur(src, (3, 3), 0)
ret, thresh = cv.threshold(gaussian, 0, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)
# 计算图像梯度幅值和方向，这里一般用的是 Sobel 算子；
sobel_x = cv.Sobel(thresh, cv.CV_16SC1, 1, 0)
sobel_y = cv.Sobel(thresh, cv.CV_16SC1, 0, 1)
sobel_x = cv.convertScaleAbs(sobel_x)
sobel_y = cv.convertScaleAbs(sobel_y)
sobel_xy = cv.addWeighted(sobel_x, 0.5, sobel_y, 0.5, 0)

canny1 = cv.Canny(sobel_xy, 50, 150)

image = np.hstack((thresh, canny1))
cv.imshow('img', image)
cv.waitKey(0)
cv.destroyAllWindows()

代码中一些要说明的地方，双阈值检测采用的是高低阈值检测，高阈值使用 maxVal、低阈值使用 minVal，有以下结论。

1. 梯度值 > maxVal ，边界保留；
2. minVal < 梯度值 < maxVal 时，如果像素梯度值在边界上，保留，否则，舍弃；
3. 梯度值 < minVal，舍弃。

以上三点的大白话，非常容易记忆，如果你想要更多的边界，调小 minVal 值，否则调高它。

在实操的时候还尝试出一个问题，如果在进行边缘提取之前进行了二值化操作，那得到的图像受上面参数影响较小，例如下述代码，双阈值设置不同值，得到的结果基本无差异。

import cv2 as cv
import numpy as np

src = cv.imread("./t77.jpg", 0)
# 高斯模糊
gaussian = cv.GaussianBlur(src, (3, 3), 0)
ret, thresh = cv.threshold(gaussian, 0, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)
# 计算图像梯度幅值和方向，这里一般用的是 Sobel 算子；
sobel_x = cv.Sobel(thresh, cv.CV_16SC1, 1, 0)
sobel_y = cv.Sobel(thresh, cv.CV_16SC1, 0, 1)
sobel_x = cv.convertScaleAbs(sobel_x)
sobel_y = cv.convertScaleAbs(sobel_y)
sobel_xy = cv.addWeighted(sobel_x, 0.5, sobel_y, 0.5, 0)

canny1 = cv.Canny(sobel_xy, 10, 30)
canny2 = cv.Canny(sobel_xy, 30, 90)
canny3 = cv.Canny(sobel_xy, 50, 150)
image = np.hstack((canny1, canny2,canny3))
cv.imshow('img', image)
cv.waitKey(0)
cv.destroyAllWindows()

如果去掉二值化，那得到的图像边缘有明显区别，现在也理解了为何刚才在说明 Canny 边缘提取步骤，并未有二值化这一步，看来是多此一举了。

# 高斯模糊
gaussian = cv.GaussianBlur(src, (3, 3), 0)
# ret, thresh = cv.threshold(gaussian, 0, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)
# 计算图像梯度幅值和方向，这里一般用的是 Sobel 算子；

还有一个小问题，是在测试的时候发现，使用下面两段代码得到的边缘不一致，具体如下，你可以分开测试。差别在于方法 1 通过 Sobel 算子分别计算了 x 方向和 y 方向的梯度，在使用合并之后的图像进行 Canny 边缘检测，得到的边缘是双线，方法 2 效果更佳理想。

# 方法1
import cv2 as cv
import numpy as np

src = cv.imread("./t77.jpg", 0)
# 高斯模糊
gaussian = cv.GaussianBlur(src, (3, 3), 0)

# 计算图像梯度幅值和方向，这里一般用的是 Sobel 算子；
sobel_x = cv.Sobel(gaussian, cv.CV_16SC1, 1, 0)
sobel_y = cv.Sobel(gaussian, cv.CV_16SC1, 0, 1)
sobel_x = cv.convertScaleAbs(sobel_x)
sobel_y = cv.convertScaleAbs(sobel_y)
sobel_xy = cv.addWeighted(sobel_x, 0.5, sobel_y, 0.5, 0)


canny1 = cv.Canny(sobel_xy, 50, 150)
# canny2 = cv.Canny(sobel_x,sobel_y, 50, 150)
image = np.hstack((gaussian, canny1))
cv.imshow('img', image)
cv.waitKey(0)
cv.destroyAllWindows()


### 方法2
import cv2 as cv
import numpy as np

src = cv.imread("./t77.jpg", 0)
# 高斯模糊
gaussian = cv.GaussianBlur(src, (3, 3), 0)

# 计算图像梯度幅值和方向，这里一般用的是 Sobel 算子；
sobel_x = cv.Sobel(gaussian, cv.CV_16SC1, 1, 0)
sobel_y = cv.Sobel(gaussian, cv.CV_16SC1, 0, 1)

canny2 = cv.Canny(sobel_x, sobel_y, 50, 150)
image = np.hstack((gaussian, canny2))
cv.imshow('img', image)
cv.waitKey(0)
cv.destroyAllWindows()

很遗憾是 非极大值抑制 相关知识的学习，还需要在延期一下，现在的知识储备量不足，学起来有些吃力，我们后面见。

橡皮擦的小节

希望今天的 1 个小时你有所收获，我们下篇博客见~

相关阅读

技术专栏

1. Python 爬虫 100 例教程，超棒的爬虫教程，立即订阅吧
2. Python 爬虫小课，精彩 9 讲

今天是持续写作的第 89 / 100 天。
如果你想跟博主建立亲密关系，可以关注同名公众号 梦想橡皮擦，近距离接触一个逗趣的互联网高级网虫。
博主 ID：梦想橡皮擦，希望大家点赞、评论、收藏。