Canny 边缘检测及相关应用

该内容为

的学习内容

1 Canny 边缘检测理论分析

Canny 边缘检测方法是由 Canny 于1996 年提出的一种公认为效果较好的边缘检测方法。

一个好的边缘检测方法应该满足三项指标

  • 1、低失误率,即不能漏检也不能错检
  • 2、高的位置精度,标定的边缘像素点与真正的边缘中心之间距离应该最小
  • 3、每个边缘应该由唯一的响应,即得到单像素宽度的边缘。

基于此,Canny提出了判定边缘检测算子的3个准则:

  • 1 - 信噪比准则
  • 2 - 定位精度准则
  • 3 - 单边缘响应准则

Canny 算子实现过程共有4(5)个步骤:

  • 1 - 平滑处理,使用高斯滤波器对图像进行去噪处理
  • 2 - 寻找图像的强度梯度 / 计算梯度 / 梯度检测
  • 3 - 非极大值抑制,即在图像边缘上使用非最大抑制NMS
  • 4 - 滞后阈值处理,即在检测到的边缘上使用双阈值去除假阳性(false positive)
  • 5 - 最后分析所有边缘及其之间的连接,以确保保留真正的边缘,同时消除不明显的边缘

1.1 Canny算子实现过程详细讲解

1.1.1 平滑处理

所有的边缘都极易受到噪声的干扰,为防止检测结果的偏差较大,有必要使用平滑滤波的方法滤除噪声。高斯滤波方法是常用的滤波方法,二维图像应用二维高斯函数,它的定义为

Canny 边缘检测及相关应用

式中 σ 表示 高斯函数的标准差。只要把输入图像与二维高斯函数进行卷积,即可得到平滑后的图像。

注:

考虑到数字图像为离散化的形式,我们往往把高斯函数转化为离散化的高斯内核模板形式,如标准差为1.4 的模板尺寸为 5 * 5 的归一化高斯内涵模板为:

Canny 边缘检测及相关应用

1.1.2 寻找图像的强度梯度 Finding Intensity Gradient of the Image

寻找图像的强度梯度 / 计算梯度 / 梯度检测

梯度是图像灰度值变化剧烈的地方,它可以通过 Roberts 算子、Prewitt 算子、Sobel 算子(最常用)等最简单的模板检测方法得到。

Sobel 算子是由两个模板组成:

Canny 边缘检测及相关应用

Canny 边缘检测及相关应用

这Sobel算子内核(的两个模板)分别在水平和垂直方向上对平滑后的图像进行滤波,以获得水平方向的梯度 Gx 和 垂直方向的梯度 Gy (注:该处的梯度也可称为一阶导数),最终图像每个像素的边缘梯度 Edge_Gradient 和方向,通常采用欧几里计算方法得边缘梯度幅值(L2范数):

Canny 边缘检测及相关应用

但平时为了简化,梯度值也可由曼哈顿距离(L1范数)求得:

Canny 边缘检测及相关应用

梯度幅角 θ 为:

Canny 边缘检测及相关应用

注:由该公式得到得梯度幅角是任意值,但我们需要将其四舍五入到表示垂直、水平和两个对角线方向的四个角度中的一个,共计 4 个方向 !即 0°、45°、90°、135°;如梯度幅角为(-22.5,22.5)区间值时,均会四舍五入为 0° 。

1.1.3 非最大抑制 Non-maximum Suppression

非最大值抑制也成为非极大值抑制

该步骤的目的是使边缘细化。

梯度检测后获得的图像边缘较为模糊,不合符 “ 好的边缘检测 ” 中的第三项:

  • 3、每个边缘应该由唯一的响应,即得到单像素宽度的边缘。

也即,在获得梯度幅度和方向之后,需要完成图像的全扫描以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,检查像素是否是其在梯度方向上的邻域中的局部最大值。保留具有局部最大值的像素点即为灰度值变化最剧烈的地方,如下图所示

Canny 边缘检测及相关应用

上图中 A 点位于边缘(垂直方向),其渐变方向与边缘垂直;B 点和 C 点处于梯度方向。按照非最大值抑制思路,用点 B 和 C 检查点 A ,看 A 点是否形成局部最大值,若是最大值,it is considered for next stage,若不是局部最大值,A点将会被抑制,即归零  put to zero。最终目的是得到 “ 细边 ” 单像素的二进制图像。

注:这里局部最大值是由在 3*3 的邻域内的梯度方向上比较梯度值得到的。

1.1.4 滞后阈值 Hysteresis Thresholding

该步骤是决定那些边缘是边缘,那些边缘不是边缘。

上步骤得到的边缘仍存在有 ” 假边缘 “,这是由于噪声或颜色变化的影响而产生的非真正边缘。

这种现象的表现形式是尽管这些边缘的梯度幅值是局部最大值,但与其他边缘比,它们的梯度幅值很小,也就是绝对梯度幅值很小。

为此,我们采用滞后阈值处理法。

设置 minVal 和 maxVal 两个阈值,

  • 强度梯度大于 maxVal 的任何边缘肯定是边缘(强边缘),将被保留
  • 强度梯度小于 minVal 的任何边缘肯定是非边缘(非边缘),因此被丢弃。
  • 强度梯度介于 maxVal 和 minVal 之间的边缘为弱边缘,通过进一步计算决定弱边缘的去留。

具体去留方式算法如下:

Canny 边缘检测及相关应用

边缘 A 高于 maxVal,因此被视为 ” 确定边缘(sure-edge) “ ;虽然边(缘)C 低于 maxVal,但是它连接到边(缘) A,因此被视为有效边(缘),我们可获得完成的曲线。对于边缘 B 而言,其虽然高于 minVal,但它没有连接到任何 ”确定边缘(sure-edge)“,同时又与边缘 C 区域相同,因此将被丢弃。该方法也就是所谓的 ” 边缘跟踪 “ 法来判断弱边缘是否为真正的边缘。

具体计算为:在弱边缘的 3*3 区域内,若有强边缘,则说明该弱边缘是属于这个强边缘的,将被保留,否则将被丢弃。

所以我们最终得到的是图像中的强边缘(strong edges in the image.)。

2 码源分析

Canny 函数的原型为:

Python:
edges = cv.Canny(
    image,#input 单通道8-bit灰度图,
    threshold1,#滞后阈值法中低阈值minVal
    threshold2,#滞后阈值法中低阈值maxVal
    [edges],#output边缘图,单通道8位图,与image大小相同
    [apertureSize],#孔径尺寸,即Sobel算子的尺寸大小,默认值为3
    [L2gradient]#计算梯度幅值L1、L2范数选择,默认False(L2范式 )
    )

OpenCV中的Canny算法的码源:略

注意:

1、由于 OpenCV 中 没有执行经典 Canny 方法中的第一步,即省去了滤波平滑;所有我们需要事前进行平滑处理。

2、OpenCV 中的 Canny 算法仅遍历了一遍图像,就完成了步骤2(梯度计算)和步骤3(非最大值抑制);具体过程是计算当前遍历行的梯度幅值,同时计算前一行的梯度幅角,并完成 3*3 邻域内的非最大值抑制。

3、步骤3(非最大值抑制)和步骤4(滞后阈值处理)是交错在一起计算的。

4、步骤4 中的边缘追踪法中,程序是寻找强边缘的 3*3 邻域内的弱边缘的方法,而不是寻找弱边缘的 3*3 邻域内的强边缘。

3 简单示例

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
img = cv.imread('img.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()

来源:Canny Edge Detection(4.0.1) 版本 https://docs.opencv.org/master/da/d22/tutorial_py_canny.html

运行效果:

Canny 边缘检测及相关应用

4 车道线检测(实际项目)

上一篇:十大高明的Google搜索技巧


下一篇:技术|程序员必须要学会Google搜索技巧