内容来自OpenCV-Python Tutorials 自己翻译整理

目标

边缘检测的概念
opencv的函数cv2.Canny()

原理
Canny边缘检测很流行，在1986年提出

去除噪声
边缘检测容易受到噪声影响，一般第一步都是用5*5的高斯滤波器去除噪声

计算图像梯度

对平滑后的图像使用sobel算子在水平与竖直方向上计算一阶导数，得到图像梯度（Gx和Gy）。根据梯度图找到边界梯度和方向，公式如下：

梯度方向一般与边界垂直，有四类：垂直、水平、两个对角线。

非极大值抑制

获得图像梯度方向和大小以后，需要对全图像进行扫描去除不属于边界的点。
检查每一个像素，看此像素是否是周围具有相同梯度方向中最大的

A点在边界上（垂直方向），梯度方向是边界的法向量。点B和点C在梯度方向上面，所以点A检测点B和C是否形成了本地最大值，如果形成最大自，那么久进行下一步，否则进行抑制（赋值为0）
简单的说，得到了二值图像的边界。

滞后阈值
现在需要确定哪些边界是真正的边界，需要两个阈值，minVal和maxVal。图像灰度梯度 高于maxVal被认为是真正的边界，低于minVal的舍弃。两者之间的值要判断是否与真正的边界相连，相连就保留，不相连舍弃。

A高于maxVal，是真正边界。C低于maxVal，但是与真正边界相连，也认为是真正边界。B没有和真正阈值相连，而且低于maxVal，抛弃。

opencv使用canny

cv2.Canny()函数，第一个参数是输入图像，第二个和第三个参数是maxVal和minVal

函数原型是这样的

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

1

apertureSize 为卷积核大小

L2gradient 参数设定求梯度大小的方程

import cv2

import numpy as np

from matplotlib import pyplot as plt

img = cv2.imread('3.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()

练习
添加滚动条

import cv2

import numpy as np

from matplotlib import pyplot as plt

def nothing(x):

    pass

cv2.namedWindow('res')

cv2.createTrackbar('max','res',0,255,nothing)

cv2.createTrackbar('min','res',0,255,nothing)

img = cv2.imread('1.jpg',0)

maxVal=200

minVal=100

while (1):

    if cv2.waitKey(20) & 0xFF==27:

        break

    maxVal = cv2.getTrackbarPos('min','res')

    minVal = cv2.getTrackbarPos('max','res')

    if minVal < maxVal:

        edge = cv2.Canny(img,100,200)

        cv2.imshow('res',edge)

    else:

        edge = cv2.Canny(img,minVal,maxVal)

        cv2.imshow('res',edge)

cv2.destoryAllWindows()

奈斯，优秀