Canny 邊緣檢測(cè)算法 是 John F. Canny 于 1986年開(kāi)發(fā)出來(lái)的一個(gè)多級(jí)邊緣檢測(cè)算法，也被很多人認(rèn)為是邊緣檢測(cè)的 最優(yōu)算法, 最優(yōu)邊緣檢測(cè)的三個(gè)主要評(píng)價(jià)標(biāo)準(zhǔn)是:

1. 低錯(cuò)誤率: 標(biāo)識(shí)出盡可能多的實(shí)際邊緣，同時(shí)盡可能的減少噪聲產(chǎn)生的誤報(bào)。
2. 高定位性: 標(biāo)識(shí)出的邊緣要與圖像中的實(shí)際邊緣盡可能接近。
3. 最小響應(yīng): 圖像中的邊緣只能標(biāo)識(shí)一次。

1 最優(yōu)邊緣準(zhǔn)則

Canny 的目標(biāo)是找到一個(gè)最優(yōu)的邊緣檢測(cè)算法，最優(yōu)邊緣檢測(cè)的含義是：

1. 最優(yōu)檢測(cè)：算法能夠盡可能多地標(biāo)識(shí)出圖像中的實(shí)際邊緣，漏檢真實(shí)邊緣的概率和誤檢非邊緣的概率都盡可能?。?/li>
2. 最優(yōu)定位準(zhǔn)則：檢測(cè)到的邊緣點(diǎn)的位置距離實(shí)際邊緣點(diǎn)的位置最近，或者是由于噪聲影響引起檢測(cè)出的邊緣偏離物體的真實(shí)邊緣的程度最?。?/li>
3. 檢測(cè)點(diǎn)與邊緣點(diǎn)一一對(duì)應(yīng)：算子檢測(cè)的邊緣點(diǎn)與實(shí)際邊緣點(diǎn)應(yīng)該是一一對(duì)應(yīng)。

?文章來(lái)源地址http://www.zghlxwxcb.cn/news/detail-848184.html

2 算法實(shí)現(xiàn)步驟詳解

Canny邊緣檢測(cè)算法可以分為以下5個(gè)步驟：

1）減噪聲：邊緣檢測(cè)對(duì)噪聲非常敏感，利用5*5高斯濾波器進(jìn)行操作

2）圖像梯度：利用sobel求X、Y的梯度，得到邊緣梯度和方向，梯度方向與邊緣垂直

3）應(yīng)用非極大值（Non_Maxinum Supperession）抑制，以消除邊緣檢測(cè)帶來(lái)的雜散影響。該點(diǎn)是8鄰域的邊緣梯度幅值最大值，則該點(diǎn)保留，否則就剔除

點(diǎn)A在垂直方向邊緣上，梯度方向正交于邊緣。點(diǎn)B與點(diǎn)C在梯度方向，檢測(cè)點(diǎn)A是否點(diǎn)B和點(diǎn)C形成局部極大值，如果是，進(jìn)入下階段，否則設(shè)置為0。

4）應(yīng)用雙閾值（Double-Thresold）檢測(cè)來(lái)確定真實(shí)和潛在的邊緣。

滯后閾值:梯度大于最大值是邊界，低于最小值是非邊界，剔除掉。介于最小值和最大值之間的邊界取決于連接性，與只是真實(shí)邊界相連為邊界，不相連予以剔除

5）通過(guò)抑制孤立的弱邊緣最終完成邊緣檢測(cè)。

邊緣A高于最大值，被認(rèn)為是真邊緣。邊緣C低于最大值，與邊緣A相連，被認(rèn)為是真邊緣。邊緣B沒(méi)有與真邊緣相連接，予以剔除。

第一步：消除噪聲

應(yīng)用高斯濾波來(lái)平滑(模糊)圖像，目的是去除噪聲。

高斯濾波器是將高斯函數(shù)離散化，將濾波器中對(duì)應(yīng)的橫縱坐標(biāo)索引代入到高斯函數(shù)，從而得到對(duì)應(yīng)的值。

二維的高斯函數(shù)如下：其中 (x , y)為坐標(biāo)， σ 為標(biāo)準(zhǔn)差。

不同尺寸的濾波器，得到的值也不同，下面是 ?濾波器的計(jì)算公式 :

常見(jiàn)的高斯濾波器大小為 5×5 ， σ = 1.4 ?，其近似值為：

第二步：計(jì)算梯度強(qiáng)度和方向

接下來(lái)，我們要尋找邊緣，即灰度強(qiáng)度變化最強(qiáng)的位置，（一道黑邊一道白邊中間就是邊緣，它的灰度值變化是最大的）。在圖像中，用梯度來(lái)表示灰度值的變化程度和方向。

常見(jiàn)方法采用Sobel濾波器【水平x和垂直y方向】在計(jì)算梯度和方向

1）水平方向的Sobel算子Gx：用來(lái)檢測(cè) y 方向的邊緣。

2）垂直方向的Sobel算子Gy：用來(lái)檢測(cè) x 方向的邊緣（?邊緣方向和梯度方向垂直）

3）采用下列公式計(jì)算梯度和方向：

梯度方向近似到四個(gè)可能角度之一(一般 0, 45, 90, 135)

第三步：非最大抑制

利用非最大抑制技術(shù)NMS來(lái)消除邊誤檢，這一步排除非邊緣像素， 僅僅保留了一些細(xì)線條(候選邊緣)。

原理：遍歷梯度矩陣上的所有點(diǎn)，并保留邊緣方向上具有極大值的像素

這一步的目的是將模糊（blurred）的邊界變得清晰（sharp）。通俗的講，就是保留了每個(gè)像素點(diǎn)上梯度強(qiáng)度的極大值，而刪掉其他的值。對(duì)于每個(gè)像素點(diǎn)，進(jìn)行如下操作：

1）將其梯度方向近似為以下值中的一個(gè)（0,45,90,135,180,225,270,315）（即上下左右和45度方向）

2）比較該像素點(diǎn)，和其梯度方向正負(fù)方向的像素點(diǎn)的梯度強(qiáng)度

3）如果該像素點(diǎn)梯度強(qiáng)度最大則保留，否則抑制（刪除，即置為0）

???????

例如下圖：點(diǎn) A 位于圖像邊緣垂直方向. 梯度方向 垂直于邊緣. 點(diǎn) B 和點(diǎn) C 位于梯度方向. 因此，檢查點(diǎn) A 和點(diǎn) B，點(diǎn) C，確定點(diǎn)A是否是局部最大值. 如果點(diǎn) A 是局部最大值，則繼續(xù)下一個(gè)階段；如果點(diǎn) A 不是局部最大值，則其被抑制設(shè)為0。

最后會(huì)保留一條邊界處最亮的一條細(xì)線

第四步：滯后閾值

最后一步，Canny 使用了滯后閾值，滯后閾值需要兩個(gè)閾值(高閾值和低閾值):

這個(gè)階段決定哪些邊緣是真正的邊緣，哪些邊緣不是真正的邊緣

經(jīng)過(guò)非極大抑制后圖像中仍然有很多噪聲點(diǎn)。Canny算法中應(yīng)用了一種叫雙閾值的技術(shù)。即設(shè)定一個(gè)閾值上界maxVal和閾值下界minVal，圖像中的像素點(diǎn)如果大于閾值上界則認(rèn)為必然是邊界（稱(chēng)為強(qiáng)邊界，strong edge），小于閾值下界則認(rèn)為必然不是邊界，兩者之間的則認(rèn)為是候選項(xiàng)（稱(chēng)為弱邊界，weak edge），需進(jìn)行進(jìn)一步處理——如果與確定為邊緣的像素點(diǎn)鄰接，則判定為邊緣；否則為非邊緣。

應(yīng)用雙閾值的方法來(lái)決定可能的（潛在的）邊界。

1. 如果某一像素位置的幅值超過(guò) 高 閾值maxVal, 該像素被保留為邊緣像素。
2. 如果某一像素位置的幅值小于 低 閾值minVal, 該像素被排除。
3. 如果某一像素位置的幅值在兩個(gè)閾值之間,該像素僅僅在連接到一個(gè)高于 高 閾值的像素時(shí)被保留。

第五步：利用滯后技術(shù)來(lái)跟蹤邊界

這個(gè)階段是進(jìn)一步處理弱邊界。

大體思想是，和強(qiáng)邊界相連的弱邊界認(rèn)為是邊界，其他的弱邊界則被抑制。

由真實(shí)邊緣引起的弱邊緣像素將連接到強(qiáng)邊緣像素，而噪聲響應(yīng)未連接。為了跟蹤邊緣連接，通過(guò)查看弱邊緣像素及其8個(gè)鄰域像素，只要其中一個(gè)為強(qiáng)邊緣像素，則該弱邊緣點(diǎn)就可以保留為真實(shí)的邊緣。

3 cv2.Canny()函數(shù) Canny算子

函數(shù)原型：

edge=cv2.Canny(image,threshold1,threshold2[,edgs[,apertureSize[,L2gradient]]])

參數(shù)：

1. image - 輸入圖片，必須為單通道的灰度圖
2. threshold1 和 threshold2 - 分別對(duì)應(yīng)于閾值 minVal 和 maxVal
3. apertureSize - 用于計(jì)算圖片提取的 Sobel kernel 尺寸. 默認(rèn)為 3.
4. L2gradient - 指定計(jì)算梯度的等式的參數(shù)。該參數(shù)默認(rèn)為 False。當(dāng)參數(shù)為 True 時(shí)，其精度更高；采用 梯度計(jì)算公式(1)(2)，

否則采用的梯度計(jì)算公式為：

4 示例: Canny邊緣檢測(cè)流程

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

# 第一步讀取圖片
img = cv2.imread('C:\\Users\\xxx\\Downloads\\picture1.jpeg', cv2.IMREAD_GRAYSCALE)

# 第二步：使用cv2.sobel進(jìn)行sobel算子計(jì)算
sobel_x = cv2.Sobel(img, cv2.CV_64F, 1, 0)
sobel_y = cv2.Sobel(img, cv2.CV_64F, 0, 1)
sobel_x = cv2.convertScaleAbs(sobel_x)
sobel_y = cv2.convertScaleAbs(sobel_y)
sobel_xy = cv2.addWeighted(sobel_x, 0.5, sobel_y, 0.5, 0)

# 第三步：使用cv2.scharr進(jìn)行scharr算子計(jì)算
scharr_x = cv2.Scharr(img, cv2.CV_64F, 1, 0)
scharr_y = cv2.Scharr(img, cv2.CV_64F, 0, 1)
scharr_x = cv2.convertScaleAbs(scharr_x)
scharr_y = cv2.convertScaleAbs(scharr_y)
scharr_xy = cv2.addWeighted(scharr_x, 0.5, scharr_y, 0.5, 0)

# 第四步： 使用cv2.laplacian 拉普拉斯算子計(jì)算
lapkacian = cv2.Laplacian(img, cv2.CV_64F)
lapkacian = cv2.convertScaleAbs(lapkacian)

# 第五步： 使用cv2.Canny 算子計(jì)算
canny = cv2.Canny(img,100,200)

# 第六步：比較原圖和四種算子的效果
names = ['Original','sobel','scharr','lapkacian','canny']
images =? [img,sobel_xy,scharr_xy,lapkacian,canny]

plt.figure(figsize=(19.2,9))
for i in range(2):
??? for j in range(3):
??????? plt.subplot(2,3,i*3+j+1),plt.imshow(images[i*3+j])
??????? plt.title(names[i*3+j],fontsize=30), plt.xticks([]), plt.yticks([])
??????? num=i*3+j
??????? if num >= len(names)-1:
??????????? break

plt.show()

?運(yùn)行后結(jié)果如下：

?

到了這里，關(guān)于opencv(23) Canny邊緣檢測(cè)流程（Canny算子）的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！