使用OpenCV+Python進(jìn)行Canny邊緣檢測(cè)

點(diǎn)擊上方“小白學(xué)視覺(jué)”，選擇加"星標(biāo)"或“置頂”

重磅干貨，第一時(shí)間送達(dá)

如果我們環(huán)顧房間，我們會(huì)看到大量的物體，每一個(gè)都很容易區(qū)分，并有自己獨(dú)特的邊緣。我們區(qū)分物體的先天能力部分來(lái)自于我們的視覺(jué)系統(tǒng)檢測(cè)邊緣的能力。檢測(cè)邊緣是視覺(jué)的一項(xiàng)基本任務(wù)，盡管沒(méi)有它我們不會(huì)完全失明，但以前區(qū)分物體的簡(jiǎn)單任務(wù)將變得非常具有挑戰(zhàn)性。電腦也是類(lèi)似的，計(jì)算機(jī)要檢測(cè)物體，首先需要識(shí)別邊緣。

接下來(lái)讓我們進(jìn)入 Canny 邊緣檢測(cè)器。

Canny 邊緣檢測(cè)器是一種用于識(shí)別圖像邊緣的算法，。它由 John F. Canny 于 1986 年開(kāi)發(fā)，此后一直被廣泛使用。今天，我們將在開(kāi)放的 Python 計(jì)算機(jī)視覺(jué)庫(kù)（OpenCV-python）的幫助下，詳細(xì)探討 Canny 邊緣檢測(cè)器

讓我們首先從初始設(shè)置開(kāi)始。

向我們的 python 文件添加兩個(gè)依賴(lài)項(xiàng)：

import cv2 as cvfrom matplotlib import pyplot as plot

第一個(gè)導(dǎo)入是 OpenCV python，這是我們將用來(lái)生成 Canny 邊緣和一些補(bǔ)充圖像的庫(kù)。我們還將使用 matplotlib 來(lái)顯示我們的圖像。

首先，這是我們將要查找的 Canny 邊緣的圖像：

Canny 邊緣算法需要灰度圖像才能正常運(yùn)行，我們可以在 OpenCV 中將 RGB 圖像讀取為灰度，如下所示：

# helper function to easily display our imagesdef img_show(title, image):    plot.title(title)    plot.xticks([])    plot.yticks([])    plot.imshow(image, cmap="gray")    plot.show()
# read in our original image as grayscaleimg = cv.imread("[email protected]", cv.IMREAD_GRAYSCALE)
# show grayscale image using our helper functionimg_show("Grayscale Image", img)

我們來(lái)創(chuàng)建一個(gè)非常簡(jiǎn)單的輔助函數(shù)，用于使用 matplotlib 顯示我們的圖像。使用這個(gè)函數(shù)，我們可以查看我們的灰度圖像：

現(xiàn)在我們已經(jīng)完成了初始設(shè)置，接下來(lái)讓我們深入研究 Canny 邊緣算法！

Canny邊緣檢測(cè)算法包括五個(gè)步驟：

1. 高斯濾波

2. 確定強(qiáng)度梯度

3. 非極大值抑制

4. 雙閾值

5. 滯后邊緣跟蹤

我將詳細(xì)解釋每個(gè)步驟。

我們可能聽(tīng)說(shuō)過(guò)正態(tài)分布或高斯分布，這種分布在自然界中始終存在，常用于表示實(shí)值隨機(jī)變量。

在圖像處理中，可以對(duì)圖像應(yīng)用高斯濾波器以減少噪聲，模糊的圖片可以直觀地觀察到這個(gè)效果。

由于 Canny 邊緣算法使用導(dǎo)數(shù)來(lái)尋找圖像的強(qiáng)度梯度，因此非常容易受到噪聲的影響。因此，我們通過(guò)對(duì)圖片應(yīng)用高斯濾波器來(lái)去除噪聲。如果我們不去除噪聲，算法可能會(huì)將圖像中的噪聲塊誤認(rèn)為邊緣并錯(cuò)誤地標(biāo)記它們。

OpenCV 使用 sigma = 1 的 5x5 高斯核作為降噪步驟。我已經(jīng)創(chuàng)建了這個(gè)內(nèi)核的 3D 可視化，可以在下面看到。當(dāng)應(yīng)用于我們的圖像時(shí)，還包含了此過(guò)濾器的效果。

盡管高斯濾波圖像可能與原始灰度圖像相同，但仔細(xì)觀察會(huì)發(fā)現(xiàn)輕微的模糊，尤其是在棕櫚葉的邊緣周?chē)Ｎ覀儾幌脒^(guò)多地模糊圖像；否則，我們可能會(huì)丟失圖像的細(xì)節(jié)。

我們可以使用以下代碼輕松生成此圖像：

# blurring the image with a 5x5, sigma = 1 Guassian kernelimg_blur = cv.GaussianBlur(img, (5, 5), 1)

在對(duì)圖像進(jìn)行平滑處理后，Canny 邊緣算法的第二步是找到圖片的強(qiáng)度梯度。

盡管“強(qiáng)度梯度”這個(gè)名詞可能聽(tīng)起來(lái)很復(fù)雜，但它只是指邊緣的方向。一條邊實(shí)際上可以指向任何方向，但該算法只查看四個(gè)方向以簡(jiǎn)化事情。方向是水平、垂直和兩個(gè)對(duì)角線方向。在數(shù)學(xué)中，我們將其寫(xiě)為 [0?° , 90?° , 45 ° , 135 °?]。

OpenCV 使用 3x3 Sobel 內(nèi)核來(lái)確定水平方向的導(dǎo)數(shù)，然后將其轉(zhuǎn)置以確定垂直方向的導(dǎo)數(shù)，這些導(dǎo)數(shù)可用于在所需的四個(gè)方向上找到我們的邊緣。

與高斯核一樣，我們也可以在 3D 中可視化 Sobel 核。下邊還包括了 Sobel 過(guò)濾圖像。

在代碼中，我們可以按如下方式生成 Sobel 過(guò)濾后的圖像：

# obtaining a horizontal and vertical Sobel filtering of the imageimg_sobelx = cv.Sobel(img_blur, cv.CV_64F, 1, 0, ksize=3)img_sobely = cv.Sobel(img_blur, cv.CV_64F, 0, 1, ksize=3)
# image with both horizontal and vertical Sobel kernels appliedimg_sobelxy?=?cv.addWeighted(cv.convertScaleAbs(img_sobelx),?0.5,?cv.convertScaleAbs(img_sobely),?0.5,?0)

一旦我們找到了強(qiáng)度梯度，我們就可以使用它們來(lái)細(xì)化我們的邊緣。在這一步之后，結(jié)果是一個(gè)二值圖像，這意味著圖像將只包含兩種顏色，黑色和白色。同樣，非最大抑制這個(gè)名字聽(tīng)起來(lái)很復(fù)雜，實(shí)際上這是一個(gè)簡(jiǎn)單的操作。

我們通過(guò)檢查每個(gè)像素在其梯度方向上的相鄰像素來(lái)確定它是否具有最大強(qiáng)度，從而對(duì)每個(gè)像素應(yīng)用非最大抑制。如果像素是最大的，那么我們將其值設(shè)置為 1。如果不是，這意味著像素的相鄰像素具有更高的強(qiáng)度，我們將其值設(shè)置為 0（抑制它）。

有一個(gè)小問(wèn)題：并非所有邊緣都準(zhǔn)確地代表了圖像的真實(shí)邊緣。許多假邊緣是由噪聲和輕微的顏色變化造成的。盡管該算法的第一步是去除噪聲，但并非所有噪聲都被去除，這是因?yàn)檫x擇 5x5 高斯濾波器是一種折中處理。過(guò)濾器去除了大部分明顯的噪聲，但不會(huì)去除太多。這就是雙重閾值發(fā)揮作用的地方。

我們首先選擇兩個(gè)閾值：最小值和最大值。這就是我們所謂的雙閾值。接下來(lái)，我們將每個(gè)邊緣的強(qiáng)度梯度與兩個(gè)閾值進(jìn)行比較，如果邊緣的強(qiáng)度梯度大于最大閾值，則將其標(biāo)記為強(qiáng)（或確定）邊緣；相反，如果邊緣的強(qiáng)度梯度小于最小閾值，則將其丟棄。但是，如果邊緣的強(qiáng)度梯度介于最小和最大閾值之間，則將其標(biāo)記為弱邊緣。

請(qǐng)參考下圖：

閾值區(qū)域圖

綠色區(qū)域是強(qiáng)度梯度高于最大閾值的地方，這意味著該區(qū)域內(nèi)的任何邊緣都被歸類(lèi)為強(qiáng)邊緣。類(lèi)似地，可以在藍(lán)色區(qū)域內(nèi)找到弱邊緣，因?yàn)樵搮^(qū)域位于我們的兩個(gè)閾值之間。紅色區(qū)域代表梯度低于我們的最小閾值的邊緣，因此，該區(qū)域內(nèi)的任何邊緣都將被丟棄。

到目前為止，我們已經(jīng)確定了兩種類(lèi)型的邊緣：弱邊和強(qiáng)弱。我們知道強(qiáng)邊緣是我們選擇最大閾值的最終結(jié)果的一部分，但是，我們不太確定如何處理弱邊緣。Canny 邊緣算法使用假設(shè)來(lái)簡(jiǎn)化事情，它假設(shè)連接到強(qiáng)邊的弱邊本身就是強(qiáng)邊，同樣，未連接到強(qiáng)邊緣的弱邊緣是噪聲或顏色變化。在閾值化的上下文中，這就是滯后的含義。

現(xiàn)在，讓我們?cè)诘?4 步的圖表中添加兩條曲線，每條曲線代表一條邊的梯度值。

添加了漸變曲線的閾值區(qū)域圖

由線段 A 和 C 組成的頂部曲線穿過(guò)綠色和藍(lán)色區(qū)域，我們知道綠色區(qū)域的邊緣強(qiáng)，藍(lán)色區(qū)域的邊緣弱。因此，段A是強(qiáng)邊緣，段C是弱邊緣。通過(guò)應(yīng)用滯后邊緣跟蹤，我們將 C 標(biāo)記為強(qiáng)邊緣，因?yàn)樗B接到 A。

現(xiàn)在讓我們來(lái)看底部曲線，該曲線由段 B 和 D 組成。由于 B 低于最小閾值，它應(yīng)該已經(jīng)被抑制了。然而，D 是一個(gè)弱邊緣，這意味著它需要進(jìn)行判斷。通過(guò)使用滯后邊緣跟蹤，我們可以看到 D 沒(méi)有連接到任何通過(guò)綠色區(qū)域的線段，這意味著它沒(méi)有連接到任何強(qiáng)邊，因此它被丟棄。

這很好，但是算法如何準(zhǔn)確地知道弱邊是否連接到強(qiáng)邊？Canny 邊緣算法通過(guò)考慮每個(gè)弱邊緣像素及其周?chē)?8 個(gè)相鄰像素來(lái)確定這一點(diǎn)。如果其相鄰像素中的任何一個(gè)是強(qiáng)邊緣的一部分，則認(rèn)為它連接到強(qiáng)邊緣。因此，該像素保留在我們的最終結(jié)果中。相反，如果相鄰像素都不是強(qiáng)邊緣，則假定它不是強(qiáng)邊緣的一部分，因此被抑制。

對(duì)我們來(lái)說(shuō)非常容易的是，我們實(shí)際上不需要執(zhí)行任何這些步驟來(lái)生成我們的 Canny 邊，OpenCV 將它們捆綁到一個(gè)名為 Canny() 的函數(shù)中。

通過(guò)編寫(xiě)以下代碼，我們可以很容易地在圖像上調(diào)用此函數(shù)：

# finally, generate canny edges# extreme examples: high threshold [900, 1000]; low threshold [1, 10]img_edges = cv.Canny(img, 50, 100)

經(jīng)過(guò)一些實(shí)驗(yàn)，我們分別選擇50和100作為我們的低閾值和高閾值。但是，我們還可以嘗試不同的方法，也許會(huì)發(fā)現(xiàn)其他閾值會(huì)產(chǎn)生更好的結(jié)果！

我們最后的 Canny 邊緣

參考文獻(xiàn)：

• https://en.wikipedia.org/wiki/Canny_edge_detector

• https://docs.opencv.org/master/da/d22/tutorial_py_canny.html

• https://scikit-image.org/docs/dev/auto_examples/filters/plot_hysteresis.html

• https://unsplash.com/photos/Ow-MNAWRBW4

Github代碼連接：

https://github.com/SeanDuttonJones/opencv-canny-edge

交流群

歡迎加入公眾號(hào)讀者群一起和同行交流，目前有SLAM、三維視覺(jué)、傳感器、自動(dòng)駕駛、計(jì)算攝影、檢測(cè)、分割、識(shí)別、醫(yī)學(xué)影像、GAN、算法競(jìng)賽等微信群（以后會(huì)逐漸細(xì)分），請(qǐng)掃描下面微信號(hào)加群，備注：”昵稱(chēng)+學(xué)校/公司+研究方向“，例如：”張三?+?上海交大?+?視覺(jué)SLAM“。請(qǐng)按照格式備注，否則不予通過(guò)。添加成功后會(huì)根據(jù)研究方向邀請(qǐng)進(jìn)入相關(guān)微信群。請(qǐng)勿在群內(nèi)發(fā)送廣告，否則會(huì)請(qǐng)出群，謝謝理解~