Canny Edge Detection

边缘检测一般是识别目标图像中亮度变化明显的像素点. 因为显著变化的像素点通常反映了图像变化比较重要的地方.

1. Canny 边缘检测理论

Canny 是一种常用的边缘检测算法. 其是在 1986 年 John F.Canny 提出的.
Canny 是一种 multi-stage 算法，分别如下：

  • [1] - 应用高斯滤波来平滑图像，去除噪声
  • [2] - 找寻图像的强度梯度(intensity gradients)
  • [3] - 应用非最大抑制(non-maximum suppression)技术来消除边缘误检(本来不是但检测出来是)
  • [4] - 应用双阈值的方法来决定可能的(潜在)边界
  • [5] - 利用滞后技术来跟踪边界

1.1 图像噪声去除(Noisy Reduction)

由于边缘检测易受图片中噪声的影响，因此，第一阶段是采用 5x5 Gaussian filter 移除图像噪声，平滑图像.

1.2 计算图像强度梯度

对于平滑后的图像，首先在水平和垂直方向采用 Sobel kernel 计算得到水平方向 ${(G_x)}$ 和垂直方向 ${(G_y)}$.

然后计算每个像素的边缘梯度和梯度方向：

梯度方向往往垂直于边缘. 且，梯度方向近似到四个角度，分别表示垂直(vertical)，水平(horizontal)和两个对角方向(diagonal directions).

1.3 非最大值抑制 NMS

计算得到梯度值和梯度方向后，对图片进行全面的扫描，以去除不构成边缘的无关像素点.

对于每个像素，检查其是否是在梯度方向中其临近像素点中的局部最大值. 如图：

点 A 位于图像边缘(垂直方向). 梯度方向(Gradient Direction) 垂直于边缘. 点 B 和点 C 位于梯度方向.
因此，检查点 A 和点 B，点 C，确定点A 是否是局部最大值. 如果点 A 是局部最大值，则继续下一个阶段；如果点 A 不是局部最大值，则其被抑制(设为 0).

简单来说，NMS 得到的结果是一个 薄边缘(thin edges) 的二值图片.

1.4 滞后阈值(Hysteresis thresholding)

该阶段主要是判断得到的边缘中，哪些是真正的边缘，哪些不是边缘.

需要设定两个阈值，minVal 和 maxVal.
任何边缘的强度梯度大于 maxVal 的确定为边缘；而小于 minVal 的确定为非边缘，并丢弃.
位于 maxVal 和 minVal 阈值间的边缘为待分类边缘，或非边缘，基于连续性进行判断. 如果边缘像素连接着 "确定边缘(sure-edge)" 像素，则认为该边缘属于真正边缘的一部分；否则，丢弃该边缘.
如图：

边缘 A 大于 maxVal，因此为“确定边缘(sure-edge)”.
虽然边缘 C 小于 maxVal，但其连接着边缘 A，因此也认为是有效边缘，以得到完整的边缘曲线.
但，边缘 B 虽然大于 minVal，并与边缘 C 位于相同的区域，但其没有与任何“确定边缘”相连接，因此，丢弃该边缘 B.

由上可见，minVal 和 maxVal 值的选择对于边缘检测的结果非常重要.

此外，该阶段的处理还移除小的像素噪声，因为假设边缘是长曲线.

最终，即可得到图片的有效边缘.

2. OpenCV 之 Canny 边缘检测

OpenCV 提供了 cv2.canny() 函数.

edge = cv2.Canny(image, threshold1, threshold2[, edges[, apertureSize[, L2gradient ]]])
  • 参数 Image - 输入图片，必须为单通道的灰度图
  • 参数 threshold1 和 threshold2 - 分别对应于阈值 minVal 和 maxVal
  • 参数 apertureSize - 用于计算图片提取的 Sobel kernel 尺寸. 默认为 3.
  • 参数 L2gradient - 指定计算梯度的等式. 当参数为 True 时，采用 1.2 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：${ {Edge\_ Gradient} (G) = |G_x| + |G_y| }$. 该参数默认为 False.

具体使用为：

    import cv2
    import numpy as np
    from matplotlib import pyplot as plt

    img = cv2.imread('test.jpg',0)
    edges = cv2.Canny(img, 100, 200)

    plt.subplot(121),plt.imshow(img,cmap = 'gray')
    plt.title('Original Image'), plt.xticks([]), plt.yticks([])
    plt.subplot(122),plt.imshow(edges,cmap = 'gray')
    plt.title('Edge Image'), plt.xticks([]), plt.yticks([])

    plt.show()

结果如图：

带 minVal 和 maxVal 滑动条的使用：

    import numpy as np
    import cv2

    def nothing(x):
        pass

    img=cv2.imread('test.jpg',0)

    cv2.namedWindow('res')
    cv2.createTrackbar('min','res',0,25,nothing)
    cv2.createTrackbar('max','res',0,25,nothing)
    while(1):
        if cv2.waitKey(1)&0xFF==27:
            break
        maxVal=cv2.getTrackbarPos('max','res')
        minVal=cv2.getTrackbarPos('min','res')
        canny=cv2.Canny(img,10*minVal,10*maxVal)
        cv2.imshow('res',canny)
    cv2.destroyAllWindows()

结果如图：

opencv-python(13):Canny边缘检测

3. OpenCV-Python-Tutorial 之 Canny边缘检测

Canny.py

# -*- coding: utf-8 -*-

'''
Canny 边缘检测是一种非常流行的边缘检测算法，是由John F.Canny 在
1986 年提出的. 它是一个有很多步构成的算法.
由于边缘检测很容易受到噪声影响 所以第一步是使用 5x5 的高斯滤波器去除噪声；
对平滑后的图像使用 Sobel 算子计算算水平方向和竖直方向的导数，即图像梯度 Gx 和 Gy.
梯度的方向一般总是与边界垂直.
梯度方向可归为四类：垂直，水平和两个对角线.

非极大值抑制

滞后阈值
现在确定哪些边界才是真正的边界. 此时我们需要设置两个阈值 minVal 和 maxVal.
当图像的灰度梯度大于 maxVal 时，其为是真的边界.
那些低于 minVal 的边界会被抛弃.
如果介于两者之间的，就看这个点是否与某个被确定为真正的边界点相连；
如果是就认为它也是边界点；如果不是，就抛弃.

OpenCV 中的 Canny 边界检测
在 OpenCV 中只需要一个函数 cv2.Canny() 就可以完成以上几步.
我们看如何使用这个函数 - cv2.Canny().
第一个参数是输入图像.
第二和第三个分别是 minVal 和 maxVal.
第三个参数用来计算图像梯度的 Sobel卷积核的大小  默认值为 3.
最后一个参数是 L2gradient 它可以用来设定求梯度大小的方程.
如果为 True 就会使用我们上提到的方程，否则，使用方程 Edge−Gradient (G) = |G2x| + |G2y| 代替，默认值为 False.
'''

import cv2
import numpy as np
from matplotlib import pyplot as plt

img = cv2.imread('../data/messi5.jpg',0)
edges = cv2.Canny(img, 100, 200)

cv2.imshow('Edges',edges)
cv2.waitKey(0)

# plt.subplot(121), plt.imshow(img, cmap='gray')
# plt.title('Original Image'), plt.xticks([]), plt.yticks([])
# plt.subplot(122), plt.imshow(edges, cmap='gray')
# plt.title('Edge Image'), plt.xticks([]), plt.yticks([])
# plt.show()

Related

[1] - Canny edge detector - 维基百科
[2] - Canny算法 - 百度百科
[3] - OpenCV-Python-Tutorial

Last modification：October 12th, 2018 at 09:20 am
© 允许规范转载