一前言

今天的状态比前几天好很多，快痊愈了，应该能稳定更新了，但是这个系列还能更多少就不一定了。

二主要内容--canny边缘检测

Canny 边缘检测是一种流行的边缘检测算法。它是由 John F. Canny 在 1986 年提出。

这是一个多阶段算法，我们将介绍算法的每一个步骤。

1降噪

由于边缘检测易受图像中的噪声影响，因此第一步是使用 5x5 高斯滤波器去除图像中的噪声。我们在前面的章节中已经介绍到了这一点。

2寻找图像的强度梯度

然后在水平和垂直方向上用 Sobel 内核对平滑后的图像进行滤波，以获得水平方向（）和垂直方向（）的一阶导数。从这两个图像中，我们可以找到每个像素的边缘梯度和方向，如下所示：

渐变方向始终垂直于边缘。它被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。

3非最大抑制

在获得梯度幅度和方向之后，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。检查下图：

A 点位于边缘（垂直方向）。渐变方向与边缘垂直。 B 点和 C 点处于梯度方向。因此，用点 B 和 C 检查点 A，看它是否形成局部最大值。如果是这样，则考虑下一阶段，否则，它被抑制（归零）。

总而言之，用这个函数的作用是描边，将图像的边缘勾勒出来。

4滞后阈值

这个阶段决定哪些边缘都是边缘，哪些边缘不是边缘。为此，我们需要两个阈值，minVal 和 maxVal。强度梯度大于 maxVal 的任何边缘肯定是边缘，而 minVal 以下的边缘肯定是非边缘，因此被丢弃。位于这两个阈值之间的人是基于其连通性的分类边缘或非边缘。如果它们连接到“可靠边缘”像素，则它们被视为边缘的一部分。否则，他们也被丢弃。见下图：

边缘 A 高于 maxVal，因此被视为“确定边缘”。虽然边 C 低于 maxVal，但它连接到边 A，因此也被视为有效边，我们得到完整的曲线。但是边缘 B 虽然高于 minVal 并且与边缘 C 的区域相同，但它没有连接到任何“可靠边缘”，因此被丢弃。因此，我们必须相应地选择 minVal 和 maxVal 才能获得正确的结果

5实际应用

OpenCV 将以上所有内容放在单个函数中， cv.Canny（） 

edges = cv.Canny(image, threshold1, threshold2, 
                apertureSize=3, L2gradient=False)

参数说明

• image: 输入图像（单通道灰度图）

• threshold1: 第一个阈值（低阈值）

• threshold2: 第二个阈值（高阈值）

• apertureSize: Sobel 算子的孔径大小（默认 3）

• L2gradient: 梯度计算方式

  • False: 使用 L1 范数（默认）

  • True: 使用 L2 范数（更精确）

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

# 读取灰度图像
img = cv.imread('D:\python_code\pic\myself.webp', 0)

# 应用Canny边缘检测
edges = cv.Canny(img, 100, 200)

# 创建并排显示的图像对比
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()
 

大家都动手试一试，这是我一直主张的。

效果如下

三最后一语

本来想写多一点但是后面的内容不太好写，所以今天先这样吧，都好好理解一下。

我夜坐听风，昼眠听雨，悟得月如何缺，天如何老--戴望舒

感谢观看，共勉！！