Canny算子-检测边界

淡淡的烟草味﹌ 2022-03-30 05:08 328阅读 0赞

[OpenCV官方教程][OpenCV]

## 原理 ##

*  Canny Edge detector 在1986年提出，此算法主要满足以下**三个准则**：

1.  Low error rate： 尽可能多地检测真实的边缘
2.  Good localization：检测出的边缘像素点和实际边缘像素点的距离尽可能的小
3.  Minimal response：图像中的任意边缘应该只被标记一次，同时图像噪声不应产生伪边缘

*  算法步骤

1.  使用高斯滤波器进行滤波，如：

![20190105160950830.png][]

1.  计算图像强度的梯度和方向，和Sobel算子类似：

a. 分别使用 x , y x,y x,y两个方向的卷积核进行处理：

![201901051614179.png][]

b. 计算梯度  G G G 和方向  θ \\theta θ：

![20190105161806239.png][]

把  θ \\theta θ 近似到四个方向，分别代表水平，垂直和两个对角线方向（0°,45°,90°,135°）

1.  非极大值抑制

非极大值抑制是一种边缘稀疏技术，通常得出来的梯度边缘不止一个像素宽，而是多个像素宽。非最大值抑制能帮助保留局部最大梯度而抑制所有其他梯度值。这意味着只保留了梯度变化中最大的位置，其他都为0。算法如下：

a. 将当前的梯度与正负梯度方向的两个像素的梯度G1、G2进行比较  
  b. 如果当前像素的梯度强度与另外两个像素相比最大，则该像素点保留为边缘点，否则该像素点将被抑制；比如当前点的梯度方向指向正上方90°方向，那它需要和垂直方向的正上方和正下方的像素的梯度进行比较。

伪代码：

if G>G1 && G>G2
    	G may be edge
    else
    	G should be suppressed

1.  双阈值检测  
    在施加非极大值抑制之后，剩余的像素可以更准确地表示图像中的实际边缘。然而，仍然存在由于噪声和颜色变化引起的一些边缘像素。为了解决这些杂散响应，Canny算法应用双阀值，即一个高阀值和一个低阀值来区分边缘像素。如果边缘像素点梯度值大于高阀值，则被认为是强边缘点。如果边缘梯度值小于高阀值，大于低阀值，则标记为弱边缘点。小于低阀值的点则被抑制掉。  
    官方建议：upper:lower ratio between 2:1 and 3:1.  
    伪代码：

if G>HighThreshold
        G is a strong edge
    else if G>= LowThreshold
    	G is a weak edge
    else 
    	G should be suppressed

1.  抑制孤立 Weak edge  
     至此，我们已经将强边缘视为真实的边缘，但是对于弱边缘，可以从真实边缘提取也可以是因噪声或颜色变化引起的。所以对于噪声引起的弱边缘，我们应该抑制。通常，由真实边缘引起的弱边缘像素将连接到强边缘像素，而噪声响应未连接。为了跟踪边缘连接，通过查看弱边缘像素及其8个邻域像素，只要其中一个为强边缘像素，则该弱边缘点就可以保留为真实的边缘。

伪代码：

if G is weak edge && connected to strong edge
    	G is a real edge
    else
    	G should be suppressed

--------------------

## 官方例子 ##

#include <opencv2/opencv.hpp>
    #include <iostream>
    
    using namespace cv;
    using namespace std;
    
    
    Mat src,src_gray;
    Mat dst,detected_edges;
    
    int lowThreshold = 0;
    const int kernel_size = 3;
    const int max_lowThreshold = 100;
    const char* window_name = "Canny detectes edges";
    
    static void CannyThreshold(int, void*)
    { 
    	blur(src_gray,detected_edges,Size(3,3));
    
    	Canny(detected_edges,detected_edges,lowThreshold,lowThreshold*3,kernel_size); //高阈值是低阈值的3倍
    
    	dst = Scalar::all(0);
    	src.copyTo(dst,detected_edges);  //detected_edges是Canny算子检测的结果，作为mask，将src复制给dst
    	imshow(window_name,dst);
    }
    
    
    int main(void)
    { 
    
    	src = imread("../res/lena.jpeg",cv::IMREAD_COLOR);
    	if(src.empty())
    	{ 
    		cout << "can't load image" << endl;
    	}
    
    	dst.create(src.size(),src.type());
    	cv::cvtColor(src,src_gray,cv::COLOR_BGR2GRAY);
    
    	namedWindow(window_name, cv::WINDOW_AUTOSIZE);
    	createTrackbar("Min Threshold",window_name,&lowThreshold,max_lowThreshold,CannyThreshold);
    
    	CannyThreshold(0,0);
    	waitKey(0);
    
    	return 0;
    }

结果：

![在这里插入图片描述][20190105205538318.png]

--------------------

## OpenCV API ##

[void cv::Canny ][void cv_Canny]  
(  
InputArray image,     // 8-bit input image  
OutputArray edges,    // 输出edge图，和输入一样，单通道 8bits 图  
double threshold1,    // lowThreshold  
double threshold2,    // highThreshold  
int apertureSize = 3,    // 定义调用Sobel核大小  
bool L2gradient = false     // 计算梯度方式， L 2 L\_2 L2是精确的， L 1 L\_1 L1是近似  
)

![在这里插入图片描述][20190105204822758.png]  
![在这里插入图片描述][20190105204830636.png]

**输入的是：分别对图像x ，y 的导数的结果**  
void cv::Canny  
(  
InputArray dx,    // 16-bit x derivative of input image (CV\_16SC1 or CV\_16SC3).  
InputArray dy,    // 16-bit y derivative of input image (same type as dx).  
OutputArray edges,     // single channels 8-bit image, which has the same size as input .  
double threshold1,     // lowThreshold  
double threshold2,     // highThreshold  
bool L2gradient = false     // 和上面一样  
)

[OpenCV]: https://docs.opencv.org/master/da/d5c/tutorial_canny_detector.html
[20190105160950830.png]: /images/20220330/1af2e572b5ad46d881a7356ef4736ef2.png
[201901051614179.png]: /images/20220330/b8150c5816e24dfdba94b75d5a127957.png
[20190105161806239.png]: /images/20220330/1c19fa7fb7ac4017be2a97f0e573d0c5.png
[20190105205538318.png]: /images/20220330/a4d2254f0f8e45b291b743f5a92d041d.png
[void cv_Canny]: https://docs.opencv.org/master/dd/d1a/group__imgproc__feature.html#ga04723e007ed888ddf11d9ba04e2232de
[20190105204822758.png]: /images/20220330/55db83abfd0e414b957b5c4351ca02b2.png
[20190105204830636.png]: /images/20220330/6949eed6f47147f9a7b48b6456ee3fc3.png