目錄Canny理論原理過濾噪聲計算圖像梯度非最大值抑制算子(NMS)雙閾值算法檢測邊緣和連接邊緣OpenCV Canny使用

注意:文章原理還很不完善,僅供本人學習使用;

Canny理論原理

Canny邊緣檢測器是由John F. Canny在1986年提出,Canny被稱為最優檢測器,其目標滿足以下三個主要標準:

低錯誤率:對已有的邊界能夠有很好的檢測;
良好的定位:即檢測到的邊緣像素和實際邊緣像素之間的距離必須最小化;
最小響應:即每邊只有一個響應;

Canny算法主要包含以下五個步驟:

過濾噪聲

使用高斯濾波器去噪,高斯核如下圖所示:

計算圖像梯度

首先,在圖像利用Sobel算子計算x, y兩個方向的梯度:

其次,計算梯度的強度和方向:

其中,梯度的方向被四舍五入到[0, 45, 90, 135]這幾個角度;

非最大值抑制算子(NMS)

抑制那些梯度不夠大的像素點,只保留最大的像素點,從而達到瘦邊的目的;

雙閾值算法檢測邊緣和連接邊緣

經過NMS算法后,設置兩個閾值(T_1, T_2),通常(T_1)是(T_2)的(1/2)或者(1/3);

梯度值大于(T_2)的像素點稱為強邊緣,保留作為圖像邊緣;
梯度值小于(T_1)的像素點不是邊緣,舍棄;
針對梯度值大于(T_1),小于(T_2)的像素點,稱為弱邊緣;

針對弱邊緣,需要進一步判定其是否的真正的邊緣像素點;判別的方法就是,當弱邊緣像素點周圍8個領域內存在強邊緣像素時,則該弱邊緣變成強邊緣點,否則不是邊緣點;

OpenCV Canny使用

CannyAPI的介紹:

void Canny( InputArray image, OutputArray edges,
           double threshold1, double threshold2,
           int apertureSize = 3, bool L2gradient = false );

src輸入圖像,必須是8-bits;
edges輸出的圖像邊緣
threshold1, threshold2對應于上述的(T_1, T_2);
apertureSize是Sobel算子的大小;
L2gradient表示計算梯度值時是否使用(L2)(就是默認的計算方式);

如果設置L2gradient=True,則梯度值的計算方式為:

[G = |G_x| + |G_y|
]

使用方式:

#include <iostream>
#include <opencv2/opencv.hpp>

using namespace std;
using namespace cv;

/**
 * 邊緣處理
*/

Mat src, srcBlur, srcGray;
const int MAX_THRESHOLD = 255;
int t1_value = 50;
char output_wind[] = "output";

void Canny_Demo(int, void*);

int main(){
    // 讀取圖像
    src = imread("/home/chen/dataset/lena.jpg");
    if (src.empty()){
        cout << "could not load image." << endl;
        return -1;
    }
    namedWindow("src", WINDOW_AUTOSIZE);
    imshow("src", src); 

    GaussianBlur(src, srcBlur, Size(3, 3), 0, 0);
    cvtColor(srcBlur, srcGray, COLOR_BGR2GRAY);

    namedWindow(output_wind, WINDOW_AUTOSIZE);
    createTrackbar("Threshold: ", output_wind, &t1_value, MAX_THRESHOLD, Canny_Demo);
    Canny_Demo(0, 0);

    waitKey(0); 
    return 0;
}

void Canny_Demo(int, void*){
    Mat edgeOutput;
    Canny(srcGray, edgeOutput, t1_value, t1_value*2, 3, false);
    imshow(output_wind, edgeOutput);
}

Reference:

學習筆記-canny邊緣檢測

總結

以上是生活随笔為你收集整理的OpenCV-C++ Canny算法介绍的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。