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()
|