Python OpenCV Canny 边缘检测知识补充

梦想橡皮擦

关注

发布于: 2 小时前

Python OpenCV 365 天学习计划，与橡皮擦一起进入图像领域吧。本篇博客是这个系列的第 47 篇。

学在前面

在 Canny 边缘提取相关知识学习，图像处理第 32 篇博客这篇博客中，我们已经对 Canny 边缘检测进行了基本的学习，今天这篇文章主要用于对其进行补充，当然知识难度不大，1 个小时就能学到。

Canny 边缘检测流程

参照互联网大家发布最多的流程

高斯模糊去噪；
计算图像梯度幅值和方向，这里一般用的是 Sobel 算子；
非极大值抑制，简单理解就是“瘦边”；
双阈值检测，也叫做滞后阈值。

按照上面的步骤进行翻译，就能写出一个 Canny 朴实的案例了

import cv2 as cvimport numpy as np
src = cv.imread("./t7.jpg", 0)# 高斯模糊gaussian = cv.GaussianBlur(src, (3, 3), 0)ret, thresh = cv.threshold(gaussian, 0, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)# 计算图像梯度幅值和方向，这里一般用的是 Sobel 算子；sobel_x = cv.Sobel(thresh, cv.CV_16SC1, 1, 0)sobel_y = cv.Sobel(thresh, cv.CV_16SC1, 0, 1)sobel_x = cv.convertScaleAbs(sobel_x)sobel_y = cv.convertScaleAbs(sobel_y)sobel_xy = cv.addWeighted(sobel_x, 0.5, sobel_y, 0.5, 0)
canny1 = cv.Canny(sobel_xy, 50, 150)
image = np.hstack((thresh, canny1))cv.imshow('img', image)cv.waitKey(0)cv.destroyAllWindows()

复制代码

代码中一些要说明的地方，双阈值检测采用的是高低阈值检测，高阈值使用 maxVal、低阈值使用 minVal，有以下结论。

梯度值 > maxVal ，边界保留；
minVal < 梯度值 < maxVal 时，如果像素梯度值在边界上，保留，否则，舍弃；
梯度值 < minVal，舍弃。

以上三点的大白话，非常容易记忆，如果你想要更多的边界，调小 minVal 值，否则调高它。

在实操的时候还尝试出一个问题，如果在进行边缘提取之前进行了二值化操作，那得到的图像受上面参数影响较小，例如下述代码，双阈值设置不同值，得到的结果基本无差异。

import cv2 as cvimport numpy as np
src = cv.imread("./t77.jpg", 0)# 高斯模糊gaussian = cv.GaussianBlur(src, (3, 3), 0)ret, thresh = cv.threshold(gaussian, 0, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)# 计算图像梯度幅值和方向，这里一般用的是 Sobel 算子；sobel_x = cv.Sobel(thresh, cv.CV_16SC1, 1, 0)sobel_y = cv.Sobel(thresh, cv.CV_16SC1, 0, 1)sobel_x = cv.convertScaleAbs(sobel_x)sobel_y = cv.convertScaleAbs(sobel_y)sobel_xy = cv.addWeighted(sobel_x, 0.5, sobel_y, 0.5, 0)
canny1 = cv.Canny(sobel_xy, 10, 30)canny2 = cv.Canny(sobel_xy, 30, 90)canny3 = cv.Canny(sobel_xy, 50, 150)image = np.hstack((canny1, canny2,canny3))cv.imshow('img', image)cv.waitKey(0)cv.destroyAllWindows()

复制代码

如果去掉二值化，那得到的图像边缘有明显区别，现在也理解了为何刚才在说明 Canny 边缘提取步骤，并未有二值化这一步，看来是多此一举了。

# 高斯模糊gaussian = cv.GaussianBlur(src, (3, 3), 0)# ret, thresh = cv.threshold(gaussian, 0, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)# 计算图像梯度幅值和方向，这里一般用的是 Sobel 算子；

复制代码

还有一个小问题，是在测试的时候发现，使用下面两段代码得到的边缘不一致，具体如下，你可以分开测试。差别在于方法 1 通过 Sobel 算子分别计算了 x 方向和 y 方向的梯度，在使用合并之后的图像进行 Canny 边缘检测，得到的边缘是双线，方法 2 效果更佳理想。

# 方法1import cv2 as cvimport numpy as np
src = cv.imread("./t77.jpg", 0)# 高斯模糊gaussian = cv.GaussianBlur(src, (3, 3), 0)
# 计算图像梯度幅值和方向，这里一般用的是 Sobel 算子；sobel_x = cv.Sobel(gaussian, cv.CV_16SC1, 1, 0)sobel_y = cv.Sobel(gaussian, cv.CV_16SC1, 0, 1)sobel_x = cv.convertScaleAbs(sobel_x)sobel_y = cv.convertScaleAbs(sobel_y)sobel_xy = cv.addWeighted(sobel_x, 0.5, sobel_y, 0.5, 0)

canny1 = cv.Canny(sobel_xy, 50, 150)# canny2 = cv.Canny(sobel_x,sobel_y, 50, 150)image = np.hstack((gaussian, canny1))cv.imshow('img', image)cv.waitKey(0)cv.destroyAllWindows()

### 方法2import cv2 as cvimport numpy as np
src = cv.imread("./t77.jpg", 0)# 高斯模糊gaussian = cv.GaussianBlur(src, (3, 3), 0)
# 计算图像梯度幅值和方向，这里一般用的是 Sobel 算子；sobel_x = cv.Sobel(gaussian, cv.CV_16SC1, 1, 0)sobel_y = cv.Sobel(gaussian, cv.CV_16SC1, 0, 1)
canny2 = cv.Canny(sobel_x, sobel_y, 50, 150)image = np.hstack((gaussian, canny2))cv.imshow('img', image)cv.waitKey(0)cv.destroyAllWindows()

复制代码

很遗憾是非极大值抑制相关知识的学习，还需要在延期一下，现在的知识储备量不足，学起来有些吃力，我们后面见。

橡皮擦的小节

希望今天的 1 个小时你有所收获，我们下篇博客见~

博主 ID：梦想橡皮擦，希望大家点赞、评论、收藏。

发布于: 2 小时前阅读数: 3

原文链接:【http://xie.infoq.cn/article/230dcd92d407ed3574265b18e】。文章转载请联系作者。

梦想橡皮擦

关注

爬虫 100 例作者，蓝桥签约作者，博客专家 2021.02.06 加入

6 年产品经理+教学经验，3 年互联网项目管理经验；互联网资深爱好者；沉迷各种技术无法自拔，导致年龄被困在 25 岁； CSDN 爬虫 100 例作者。个人公众号“梦想橡皮擦”。

发布

暂无评论

创作场景

Python OpenCV Canny 边缘检测知识补充

学在前面

Canny 边缘检测流程

橡皮擦的小节

梦想橡皮擦

评论