目錄
- 1. Canny 邊緣檢測(cè)理論
- 1.1、高斯濾波
- 1.2、Sobel算子計(jì)算梯度和方向
- 1.3、非極大值抑制(定位準(zhǔn)確的邊緣同時(shí)可縮小邊緣線寬)
- 1.4、雙閾值檢測(cè)
- 2. OpenCV 之 Canny 邊緣檢測(cè)
邊緣檢測(cè)一般是識(shí)別目標(biāo)圖像中亮度變化明顯的像素點(diǎn). 因?yàn)轱@著變化的像素點(diǎn)通常反映了圖像變化比較重要的地方.
1. Canny 邊緣檢測(cè)理論
Canny 是一種常用的邊緣檢測(cè)算法. 其是在 1986 年 John F.Canny 提出的.
Canny 是一種 multi-stage 算法,分別如下:
具體流程:
- 高斯濾波:平滑圖像,消除噪聲
- 梯度和方向計(jì)算:利用Sobel算子計(jì)算每個(gè)像素點(diǎn)的梯度和方向
- 非極大值抑制:消除邊緣檢測(cè)帶來(lái)的雜散相應(yīng)
- 雙閾值:檢測(cè)真正和潛在的邊緣
- 抑制弱邊緣:通過(guò)抑制弱邊緣來(lái)完成邊緣檢測(cè)
1.1、高斯濾波
高斯濾波最重要的還是卷積核核,通常使用高斯平滑濾波器卷積降噪,這里以size=3的高斯內(nèi)核為例:這里做了歸一化處理(元素和為 1)
高斯去噪其實(shí)就是一個(gè)低通濾波器,濾除高頻噪聲。
1.2、Sobel算子計(jì)算梯度和方向
計(jì)算方法:
這里 是指水平方向的掩碼模板,是指垂直方向的掩碼模板。根據(jù)上面的模板可以計(jì)算出圖像梯度幅值和方向。
1.3、非極大值抑制(定位準(zhǔn)確的邊緣同時(shí)可縮小邊緣線寬)
非極大值抑制是進(jìn)行邊緣檢測(cè)的重要步驟,通俗的來(lái)說(shuō),就是獲取局部的最大值,將非極大值所對(duì)應(yīng)的灰度值設(shè)置為背景像素點(diǎn)。像素鄰近區(qū)域滿足梯度值的局部最優(yōu)值判斷為該像素的邊緣,對(duì)非極大值相關(guān)信息進(jìn)行抑制。利用這個(gè)準(zhǔn)則可以剔除大部分的非邊緣點(diǎn)。
簡(jiǎn)單的說(shuō)呢?就是保留梯度大的像素點(diǎn)點(diǎn),對(duì)于那些在邊緣旁邊的雜散點(diǎn),梯度相對(duì)較小,利用非極大值抑制就可以很好的去除雜散點(diǎn)。
1.4、雙閾值檢測(cè)
這里的雙閾值并不是說(shuō)介于閾值之間的像素保留,外面的的去除。這里的閾值檢測(cè)有所不同。
分析:
- 梯度大于maxVal的像素點(diǎn)保留,視為邊緣
- 梯度小于minVal的像素點(diǎn)棄用,不視為邊緣
- 梯度介于兩者之間的,分情況判斷:
- 四周有包含大于maxVal的像素點(diǎn),視為邊緣
- 四周沒(méi)有大于maxVal的像素點(diǎn),不視為邊緣
根據(jù)上面的分析,我們可以得出來(lái):A, D點(diǎn)位邊界; B, C點(diǎn)不是邊界。
注意:
具體這兩個(gè)值怎么設(shè)置,我們就要分析兩個(gè)值變化對(duì)圖像的影響。
- maxVal: 帶來(lái)最明顯的差異,增大maxVal無(wú)疑會(huì)導(dǎo)致原來(lái)的邊界點(diǎn)可能會(huì)直接消失。但這種消失時(shí)是成片消失。
- minVal: 增大minVal,會(huì)導(dǎo)致有些待定像素點(diǎn)被棄用,也就是靠近邊界像素點(diǎn)的介于雙閾值之間的被棄用。導(dǎo)致的現(xiàn)象就是邊界出現(xiàn)破損,這種非成片消失。只是邊界信息不完整。
下面以 video = cv2.Canny(img, 80, 250) 為例:分別增大minVal和maxVal。
增大minVal: (邊界出現(xiàn)缺損)
增大maxVal: (邊界出現(xiàn)成片消失,邊界信息完整)
總結(jié):
在實(shí)際應(yīng)用中,觀察梯度圖像,如果邊界信息缺損,那么適當(dāng)?shù)臏p小minVal;如果有不想要的區(qū)域出現(xiàn),那么適當(dāng)?shù)脑黾覯axVal。
2. OpenCV 之 Canny 邊緣檢測(cè)
OpenCV 提供了 cv2.canny() 函數(shù).
edge = cv2.Canny(image, threshold1, threshold2[, edges[, apertureSize[, L2gradient ]]])
- 參數(shù) Image - 輸入圖片,必須為單通道的灰度圖
- 參數(shù) threshold1 和 threshold2 - 分別對(duì)應(yīng)于閾值 minVal 和 maxVal
- 參數(shù) apertureSize - 用于計(jì)算圖片提取的 Sobel kernel 尺寸. 默認(rèn)為 3.
- 參數(shù) L2gradient - 指定計(jì)算梯度的等式. 當(dāng)參數(shù)為 True 時(shí),采用 1.2 中的梯度計(jì)算公式,其精度更高;否則采用的梯度計(jì)算公式為:. 該參數(shù)默認(rèn)為 False.
具體代碼:
import cv2
import numpy as np
import matplotlib.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()
帶 minVal 和 maxVal 滑動(dòng)條的使用:
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()
到此這篇關(guān)于OpenCV中Canny邊緣檢測(cè)的實(shí)現(xiàn)的文章就介紹到這了,更多相關(guān)OpenCV Canny邊緣檢測(cè)內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家!
您可能感興趣的文章:- Python OpenCV實(shí)現(xiàn)邊緣檢測(cè)
- Python實(shí)現(xiàn)Opencv cv2.Canny()邊緣檢測(cè)
- 使用Python中OpenCV和深度學(xué)習(xí)進(jìn)行全面嵌套邊緣檢測(cè)
- OpenCV實(shí)現(xiàn)灰度、高斯模糊、邊緣檢測(cè)的示例
- Python使用Opencv實(shí)現(xiàn)邊緣檢測(cè)以及輪廓檢測(cè)的實(shí)現(xiàn)
- 如何利用Python 進(jìn)行邊緣檢測(cè)
- python實(shí)現(xiàn)canny邊緣檢測(cè)
- OpenCV半小時(shí)掌握基本操作之邊緣檢測(cè)