Python+OpenCV图像处理（十三）—— Canny边缘检测

简介：

1.Canny边缘检测算子是John F. Canny于 1986 年开发出来的一个多级边缘检测算法。

2.Canny 的目标是找到一个最优的边缘检测算法，最优边缘检测的含义是：

好的检测- 算法能够尽可能多地标识出图像中的实际边缘。

好的定位- 标识出的边缘要尽可能与实际图像中的实际边缘尽可能接近。

最小响应- 图像中的边缘只能标识一次，并且可能存在的图像噪声不应标识为边缘。

3.算法步骤：

　　①高斯模糊 - GaussianBlur
　　②灰度转换 - cvtColor
　　③计算梯度 – Sobel/Scharr
　　④非最大信号抑制
　　⑤高低阈值输出二值图像

代码如下：

 #Canny边缘提取
 import cv2 as cv
 def edge_demo(image):
     blurred = cv.GaussianBlur(image, (3, 3), 0)
     gray = cv.cvtColor(blurred, cv.COLOR_RGB2GRAY)
     # xgrad = cv.Sobel(gray, cv.CV_16SC1, 1, 0) #x方向梯度
     # ygrad = cv.Sobel(gray, cv.CV_16SC1, 0, 1) #y方向梯度
     # edge_output = cv.Canny(xgrad, ygrad, 50, 150)
     edge_output = cv.Canny(gray, 50, 150)
     cv.imshow("Canny Edge", edge_output)
     dst = cv.bitwise_and(image, image, mask= edge_output)
     cv.imshow("Color Edge", dst)
 src = cv.imread('E:/imageload/liu.jpg')
 cv.namedWindow('input_image', cv.WINDOW_NORMAL) #设置为WINDOW_NORMAL可以任意缩放
 cv.imshow('input_image', src)
 edge_demo(src)
 cv.waitKey(0)
 cv.destroyAllWindows()

注：其中第9行代码可以用6、7、8行代码代替！两种方法效果一样。

运行结果：

注意：

OpenCV的Canny函数用于在图像中查找边缘，其函数原型有两种：

①直接调用Canny算法在单通道灰度图像中查找边缘，

其函数原型为：Canny(image, threshold1, threshold2[, edges[, apertureSize[, L2gradient]]]) -> edges

image参数表示8位输入图像。

threshold1参数表示设置的低阈值。

threshold2参数表示设置的高阈值，一般设定为低阈值的3倍 (根据Canny算法的推荐)。

edges参数表示输出边缘图像，单通道8位图像。

apertureSize参数表示Sobel算子的大小。

L2gradient参数表示一个布尔值，如果为真，则使用更精确的L2范数进行计算（即两个方向的倒数的平方和再开方），否则使用L1范数（直接将两个方向导数的绝对值相加）。

②使用带自定义图像渐变的Canny算法在图像中查找边缘，

其函数原型为：Canny(dx, dy, threshold1, threshold2[, edges[, L2gradient]]) -> edges

dx参数表示输入图像的x导数（x导数满足16位，选择CV_16SC1或CV_16SC3）

dy参数表示输入图像的y导数（y导数满足16位，选择CV_16SC1或CV_16SC3）。

threshold1参数表示设置的低阈值。

threshold2参数表示设置的高阈值，一般设定为低阈值的3倍 (根据Canny算法的推荐)。

edges参数表示输出边缘图像，单通道8位图像。

L2gradient参数表示L2gradient参数表示一个布尔值，如果为真，则使用更精确的L2范数进行计算（即两个方向的倒数的平方和再开方），否则使用L1范数（直接将两个方向导数的绝对值相加）。

参考：

Canny算子原理：https://www.cnblogs.com/techyan1990/p/7291771.html

http://www.opencv.org.cn/opencvdoc/2.3.2/html/doc/tutorials/imgproc/imgtrans/canny_detector/canny_detector.html

https://blog.csdn.net/sunny2038/article/details/9202641