Canny 边缘检测是一种经典的边缘检测算法，由 John F. Canny 在 1986 年提出。它被广泛应用于计算机视觉和图像处理领域，用于检测图像中的边缘。

​【原理】

1. 去噪

由于边缘检测非常容易收到图像的噪声影响，第一步使用 5x5 高斯滤波去除图像中的噪声。

2. 寻找图像的亮度梯度

在平滑后（去噪后）的图像利用 Sobel 算子计算图像的 X-, Y- 的一阶导数G ( x ) G(x)G(x)和G ( y ) G(y)G(y)，从这两幅图像中我们可以获得边缘的梯度值和方向。

3. 非最大值抑制

获得梯度大小和方向后，对图像进行全扫描，去除可能不构成边缘的任何不需要的像素。在每个像素处，检查像素在梯度方向是否是其领域中的局部最大值。

点A位于垂直边缘上，梯度方向为 A->B, B 和 C 都是梯度方向上的点，如果 A 是邻域内最大的，则保留，否则设置为0。简而言之，会得到一个细的边缘。

4. 滞后阈值

这个阶段决定哪些是真正的边缘，哪些不是。为此，我们需要两个阈值，minVal和maxVal，梯度强度大于maxVal确定是边缘，低于minVal值的边缘点被抛弃，位于这两个值中间的值，根据其邻域点的属性来决定，如果连接到强边缘，则被判定为强边缘，否则丢弃。

上图中，可以看出，尽管C点在maxVal以下，但是与A连接，则C和A都是强边缘点。而B没有强边缘连接，则被丢弃。

 

 

import numpy as np
import cv2
from matplotlib import pyplot as plt

img = cv2.imread('messi5.jpg',0)
edges = cv2.Canny(img,100,200)

cv2.imshow("src", img)
cv2.imshow("edge", edges)

cv2.waitKey(0)
cv2.destroyAllWindows()

• trackerbar 控制 Canny 边缘检测阈值

 

import numpy as np
import cv2

# 空函数
def nothing(x):
    pass

img = cv2.imread('messi5.jpg', 0)
cv2.namedWindow('image')

cv2.createTrackbar('min', 'image', 10, 200, nothing)
cv2.createTrackbar('max', 'image', 0, 255, nothing)

cv2.setTrackbarPos('min', 'image', 50)
cv2.setTrackbarPos('max', 'image', 150)


while(1):
    cv2.imshow('image', img)
    if cv2.waitKey(2) & 0xFF == 27:
        break
    
    minVal = cv2.getTrackbarPos('min', 'image')
    maxVal = cv2.getTrackbarPos('max', 'image')
    
    if maxVal < minVal:
        maxVal = minVal + 10
        cv2.setTrackbarPos('max', 'image', maxVal)

    edges = cv2.Canny(img, minVal, maxVal)
    cv2.imshow('canny', edges)

cv2.destroyAllWindows()

用Canny方法计算图像的边缘

image: 8位输入图像

edges: 输出的边缘图像, 单通道8位图像，尺寸与原图一致

threshold1: 滞后过程的第一阈值

threshold2: 滞后过程的第二阈值

L2gradient: 一个决定是否需要更好精度的标志，L2gradient=true

dx: 输入图像的16位x导数

dy: 输入图像的16位y导数

Lnton羚通是专注于音视频算法、算力、云平台的高科技人工智能企业。 公司基于视频分析技术、视频智能传输技术、远程监测技术以及智能语音融合技术等， 拥有多款可支持ONVIF、RTSP、GB/T28181等多协议、多路数的音视频智能分析服务器/云平台。