用canny算子实现数字图像的边缘检测,简述canny边缘检测方法

　　1.问题描述在处理图像的时候，有时候我们需要图像的边界，或者通过图像获得某些信息。如何有效准确地找到这些边界并显示出来是一个问题，Canny算法可以很好地解决这个问题。

　　2.简单介绍一下Canny算法Canny是一种多阶段算法，具体如下：

　　高斯滤波：平滑图像，消除噪声梯度和方向计算：利用Sobel算子计算每个像素的梯度和方向。非最大抑制：消除边缘检测引起的杂散。对应(原本不是边缘检测)双阈值：检测真实和潜在的边缘滞后技术：通过抑制弱边缘完成边缘检测和跟踪边界。2.1高斯滤波本质上是一种模糊的图像，玩过PS的人应该都很清楚。原始图像中有许多噪声。用涂抹工具擦拭，但是没有杂音。

　　这个阶段类似于卷积。将图像乘以33或55的加权滤镜。

　　这里以size=3的高斯核为例：这里做了归一化(元素之和为1)。

　　滤波的主要目的是降噪，一般的图像处理算法都需要先降噪。高斯滤波主要是平滑(模糊)图像，也可能增加边缘的宽度。

　　2.2计算图像的梯度和方向。对于平滑后的图像，首先在水平和垂直方向上用Sobel核计算水平Gx和垂直Gy(具体计算过程参见链接)。

　　然后计算每个像素的边缘梯度和梯度方向：

　　从而得到图像中各点的梯度值和梯度方向。

　　2.3通过非最大抑制NMS计算梯度值和梯度方向后，对图片进行全面扫描，去除不构成边缘的无关像素。

　　对于每个像素，检查它是否是梯度方向上其相邻像素中的局部最大值。如图所示：

　　点A位于图像的边缘(垂直方向)。渐变方向垂直于边缘。B点和C点位于梯度方向。

　　所以检查A点，B点，C点，判断A点是否是局部最大值。如果A点是局部最大值，继续下一阶段；如果点A不是局部最大值，它将被抑制(设置为0)。

　　简单地说，NMS得到的结果是一个边缘很细的二值图像。可以理解为所有的边缘点标记为1，非边缘点标记为0。

　　2.4双阈值筛选这个阶段主要判断上面的NMS哪些是真边缘，哪些是假边缘。

　　在这个阶段，需要设置两个阈值，minVal和maxVal。强度大于maxVal的任何边缘被确定为边缘，而强度小于minVal的边缘被确定为非边缘，并被丢弃。

　　maxVal和minVal之间的边为待判定边，进行连续性判断。如果与确定的边相连，则认为是真实边的一部分；否则，它将被丢弃，如下图所示。

　　边a大于maxVal，所以是“确定边”。

　　虽然边C小于maxVal，但它与边A相连，所以认为它是一条有效边，可以得到一条完整的边曲线。

　　然而，虽然边B大于minVal，且与边C位于同一区域，但它并不与任何“确定边”相连，因此边B被丢弃。

　　从上面可以看出，minVal和maxVal值的选择对于边缘检测的结果非常重要。

　　此外，这一阶段的处理还去除了小像素噪声，因为边缘被假定为长曲线。

　　最后得到图像的有效边缘。

注意

　　如何设置这两个值，我们要分析这两个值的变化对图像的影响。

　　MaxVal:它带来了最明显的不同。增加maxVal无疑会导致原来的边界点直接消失。但是当它消失的时候，它会一片片的消失。

　　minVal:增加MinVal会导致一些待定像素被丢弃，即两个阈值边界附近的像素会被丢弃。由此产生的现象就是边界被打破，这个非件就消失了。只是边界信息不完整。

　　拍视频=cv2。以Canny(img，80，250)为例：分别增加minVal和maxVal。

　　增加minVal:(边界有缺陷)

　　增加maxVal:(边界出现又消失，边界信息完整)

　　在实际应用中，观察梯度图像，如果边界信息缺损，那么适当的减小最小值如果有不想要的区域出现，那么适当的增加最大值实现开放计算机视觉提供了cv2.canny()函数。

　　edge=cv2 .Canny(图像，阈值1，阈值2[，边缘[，孔径大小[，L2渐变]])# # #参数图像-输入图片，必须为单通道的灰度图参数阈值一和阈值2 -分别对应于阈值最小值和最大值参数孔径大小-用于计算图片提取的索贝尔核尺寸。默认为3.参数L2梯度-指定计算梯度的等式。当参数为真实的时，采用2.2 中的梯度计算公式，其精度更高；否则采用的梯度计算公式为：梯度G=Gx Gy###具体代码如下

　　从绘制精美的图表导入cv2导入数组作为铭牌导入pyplot作为plt img=cv2.imread(test.jpg ，0) edges=cv2 .Canny(img，100，200) plt.subplot(121)，plt.imshow(img，cmap=gray) plt.title(原始图像)、plt.xticks([])、plt.yticks([]) plt.subplot(122)、plt.imshow(edges，cmap=gray) plt.title(边缘图像)，plt.xticks([])，plt.yticks([]) plt.show()效果

　　带滚动条代码

　　import numpy as NP import cv 2 def nothing(x):passimg=cv2。im read(/home/cheng/Desktop/1。jpg ，0)cv2。命名窗口(“RES”)cv2。创建trackbar( min ， res ，0，25，nothing)cv2。创建trackbar( max ， RES ，0，25，nothing)while(1):if cv2。等待键(1)0x ff==27:break maxVal=cv2。gettrackbarpos( max ， RES )minVal=1Canny(img，10*minVal，10*maxVal) cv2.imshow(res ，canny)cv2.destroyAllWindows()效果

　　4.参考opencv-python(13):Canny边缘检测

　　Python - Opencv之谨慎的边缘检测

　　谨慎的边缘检测算法