边缘检测
<h1>目标</h1>
<p>在本章中，我们将学习</p>
<ul>
<li>边缘检测的概念</li>
<li>OpenCV函数:cv.Canny()</li>
</ul>
<h2>原理</h2>
<p>Canny边缘检测是一种常用的边缘检测算法。它是由John F. Canny发明的</p>
<ol>
<li>
<p>这是一个多阶段的算法，我们将经历每个阶段。</p>
</li>
<li>
<p><strong>降噪</strong>
由于边缘检测容易受到图像中噪声的影响，第一步是用5x5高斯滤波器去除图像中的噪声。我们在前几章已经介绍过了。</p>
</li>
<li>
<p><strong>寻找图像的强度梯度</strong>
然后对平滑后的图像进行水平方向和垂直方向的Sobel内核滤波，得到水平方向(Gx)和垂直方向(Gy)的一阶导数。从这两幅图像中，我们可以发现每个像素的边缘梯度和方向如下:
<img src="https://www.showdoc.cc/server/api/common/visitfile/sign/178bd9c32791f5b5cee379b3b237adff?showdoc=.jpg" alt="" />
梯度方向总是垂直于边缘。它是四角之一，代表垂直、水平和两个对角线方向。</p>
</li>
<li>
<p><strong>非极大值抑制</strong>
在得到梯度大小和方向后，对图像进行全局扫描，去除可能不构成边缘的任何不需要的像素。为此，在每个像素处，检查像素在梯度方向上是否为其邻域内的局部最大值。如下图:
<img src="https://www.showdoc.cc/server/api/common/visitfile/sign/bf022975c04ce916505aeffcab79d391?showdoc=.jpg" alt="" />
点A在边缘上(垂直方向)。梯度方向垂直于边缘。点B和点C在梯度方向上。因此，点A与点B和点C进行检查，看它是否形成局部最大值。如果是，则将其考虑到下一阶段，否则将抑制它(使其为零)。
简而言之，您得到的结果是一个具有“细边”的二进制图像。</p>
</li>
<li><strong>滞后阈值法</strong>
这个阶段决定哪些是边哪些不是。为此，我们需要两个阈值，minVal和maxVal。任何强度梯度大于maxVal的边都肯定是边，小于minVal的边肯定是非边，所以丢弃。位于这两个阈值之间的根据它们的连接性对边缘或非边缘进行分类。如果它们连接到“确定边缘”像素，则被认为是边缘的一部分。否则，它们也会被丢弃。见下图:
<img src="https://www.showdoc.cc/server/api/common/visitfile/sign/2934274337badaa1a0cd5cf3612fe1c4?showdoc=.jpg" alt="" />
边缘A在maxVal之上，称为“确定边缘”。虽然C边低于maxVal，但它与A边相连，所以这条边也被认为是有效的边，我们得到了完整的曲线。但是B边虽然在minVal以上，与C边在同一区域，但是没有连接到任何“sure-edge”，所以被丢弃。因此，为了得到正确的结果，我们必须相应地选择minVal和maxVal，这是非常重要的。
这个阶段也消除了小像素噪声的假设下，边缘是长线。</li>
</ol>
<p>最终得到的是图像中的强边。</p>
<h2>OpenCV中的Canny边缘检测</h2>
<p>OpenCV将所有这些都放在一个函数中，即cv.Canny()。我们将学会如何使用它。第一个参数是输入图像。第二个和第三个参数分别是minVal和maxVal。第三个参数是aperture_size。它是用来寻找图像梯度的Sobel内核的大小。默认情况下是3。最后一个参数是L2gradient，它指定了求梯度大小的方程。如果为真，则使用上述更精确的方程，否则使用这个函数:Edge_Gradient(G)=|Gx|+|Gy|。默认情况下，它是假的。</p>
<pre><code class="language-python">import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
img = cv.imread('messi5.jpg',0)
edges = cv.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()</code></pre>
<p>结果如下:</p>
<p><img src="https://www.showdoc.cc/server/api/common/visitfile/sign/d24e9c777ca98055ac6eb635c50b51f5?showdoc=.jpg" alt="" /></p>
<h2>其它资源</h2>
<ol>
<li>维基百科的边缘探测器</li>
<li>Canny边缘检测教程比尔格林，2002年。</li>
</ol>
<h2>练习题</h2>
<p>编写一个小的应用程序来寻找Canny边缘检测，其阈值可以使用两个轨迹条变化。这样，您就可以理解阈值的影响。</p>