文档结构  
翻译进度:已翻译     翻译赏金:0 元 (?)    ¥ 我要打赏

目标

本文档中你会学到:

  • 使用OpenCV函数 Canny 检测边缘.

原理

  1. Canny 边缘检测算法 是 John F. Canny 于 1986年开发出来的一个多级边缘检测算法,也被很多人认为是边缘检测的 最优算法, 最优边缘检测的三个主要评价标准是:
    • 低错误率: 标识出尽可能多的实际边缘,同时尽可能的减少噪声产生的误报。
    • 高定位性: 标识出的边缘要与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。

步骤

  1. 消除噪声。 使用高斯平滑滤波器卷积降噪。 下面显示了一个 size = 5的高斯内核示例:

    K = \dfrac{1}{159}\begin{bmatrix} 2 & 4 & 5 & 4 & 2 \\ 4 & 9 & 12 & 9 & 4 \\ 5 & 12 & 15 & 12 & 5 \\ 4 & 9 & 12 & 9 & 4 \\ 2 & 4 & 5 & 4 & 2 \end{bmatrix}

  2. 计算梯度幅值和方向。 此处,按照Sobel滤波器的步骤:

    1. 运用一对卷积阵列 (分别作用于 x 和 y 方向):G_{x} = \begin{bmatrix} -1 & 0 & +1 \\ -2 & 0 & +2 \\ -1 & 0 & +1 \end{bmatrix} G_{y} = \begin{bmatrix} -1 & -2 & -1 \\ 0 & 0 & 0 \\ +1 & +2 & +1 \end{bmatrix}

    2. 使用下列公式计算梯度幅值和方向:

      \begin{array}{l} G=\sqrt{ G_{x}^{2} + G_{y}^{2} } \\ \theta = \arctan(\dfrac{ G_{y} }{ G_{x} }) \end{array}

      梯度方向近似到四个可能角度之一(一般 0, 45, 90, 135)

  3. 非极大值 抑制。 这一步排除非边缘像素, 仅仅保留了一些细线条(候选边缘)。

  4. 滞后阈值: 最后一步,Canny 使用了滞后阈值,滞后阈值需要两个阈值(高阈值和低阈值):

    1. 如果某一像素位置的幅值超过  阈值, 该像素被保留为边缘像素。
    2. 如果某一像素位置的幅值小于  阈值, 该像素被排除。
    3. 如果某一像素位置的幅值在两个阈值之间,该像素仅仅在连接到一个高于  阈值的像素时被保留。

    Canny 推荐的 : 阈值比在 2:1 到3:1之间。

  5. 想要了解更多细节,你可以参考任何你喜欢的计算机视觉书籍。

第 1 段(可获 2 积分)

代码

  1. 本程序做什么?
    • 要求使用者输入一个数字,设置 Canny Edge Detector 的低阈值 (通过trackbar)
    • 使用 Canny 边缘检测 产生一个 mask (白线代表边缘,黑色代表背景)。
    • 使用 mask 作为掩码显示原图像。
  2. 本教程的源码如下,你也可以从 这里 下载
#include "opencv2/imgproc/imgproc.hpp"
#include "opencv2/highgui/highgui.hpp"
#include <stdlib.h>
#include <stdio.h>

using namespace cv;

/// Global variables

Mat src, src_gray;
Mat dst, detected_edges;

int edgeThresh = 1;
int lowThreshold;
int const max_lowThreshold = 100;
int ratio = 3;
int kernel_size = 3;
char* window_name = "Edge Map";

/**
 * @function CannyThreshold
 * @brief Trackbar callback - Canny thresholds input with a ratio 1:3
 */
void CannyThreshold(int, void*)
{
  /// Reduce noise with a kernel 3x3
  blur( src_gray, detected_edges, Size(3,3) );

  /// Canny detector
  Canny( detected_edges, detected_edges, lowThreshold, lowThreshold*ratio, kernel_size );

  /// Using Canny's output as a mask, we display our result
  dst = Scalar::all(0);

  src.copyTo( dst, detected_edges);
  imshow( window_name, dst );
 }


/** @function main */
int main( int argc, char** argv )
{
  /// Load an image
  src = imread( argv[1] );

  if( !src.data )
  { return -1; }

  /// Create a matrix of the same type and size as src (for dst)
  dst.create( src.size(), src.type() );

  /// Convert the image to grayscale
  cvtColor( src, src_gray, CV_BGR2GRAY );

  /// Create a window
  namedWindow( window_name, CV_WINDOW_AUTOSIZE );

  /// Create a Trackbar for user to enter threshold
  createTrackbar( "Min Threshold:", window_name, &lowThreshold, max_lowThreshold, CannyThreshold );

  /// Show the image
  CannyThreshold(0, 0);

  /// Wait until user exit program by pressing a key
  waitKey(0);

  return 0;
  }
第 2 段(可获 2 积分)

解释

  1. 创建程序中要用到的变量:

      Mat src, src_gray;
      Mat dst, detected_edges;
    
      int edgeThresh = 1;
      int lowThreshold;
      int const max_lowThreshold = 100;
      int ratio = 3;
      int kernel_size = 3;
      char* window_name = "Edge Map";
    
    Note the following:
    
    a. We establish a ratio of lower:upper threshold of 3:1 (with the variable *ratio*)
    b. We set the kernel size of :math:`3` (for the Sobel operations to be performed internally by the Canny function)
    c. We set a maximum value for the lower Threshold of :math:`100`.
    
  2. 装载原图像:

    /// Load an image
    src = imread( argv[1] );
    
    if( !src.data )
      { return -1; }
    
  3. 创建与 src 同类型和大小的矩阵(dst)

    dst.create( src.size(), src.type() );
    
  4. 将输入图像转换到灰度空间 (使用函数 cvtColor):

    cvtColor( src, src_gray, CV_BGR2GRAY );
    
  5. 创建显示窗口

    namedWindow( window_name, CV_WINDOW_AUTOSIZE );
    
  6. 创建trackbar,来获取用户交互输入的低阈值:

    createTrackbar( "Min Threshold:", window_name, &lowThreshold, max_lowThreshold, CannyThreshold );
    

    注意:

    1. 通过trackbar控制的变量为 lowThreshold ,上限为max_lowThreshold (我们已经设定为100)
    2. 每次用户通过trackbar产生变动,回调函数 CannyThreshold 被调用.
  7. 让我们一步一步的来观察 CannyThreshold 函数:

    1. 首先, 使用 3x3的内核平滑图像:

      blur( src_gray, detected_edges, Size(3,3) );
      
    2. 其次,运用 Canny 寻找边缘:

      Canny( detected_edges, detected_edges, lowThreshold, lowThreshold*ratio, kernel_size );
      

      输入参数:

      • detected_edges: 原灰度图像
      • detected_edges: 输出图像 (支持原地计算,可为输入图像)
      • lowThreshold: 用户通过 trackbar设定的值。
      • highThreshold: 设定为低阈值的3倍 (根据Canny算法的推荐)
      • kernel_size: 设定为 3 (Sobel内核大小,内部使用)
  8. 填充 dst 图像,填充值为0 (图像全黑)。

    dst = Scalar::all(0);
    
  9. 最后, 使用函数 copyTo 标识被检测到的边缘部分 (背景为黑色)。

    src.copyTo( dst, detected_edges);
    

    copyTo 将 src 图像拷贝到 dst . 但是,仅仅拷贝掩码不为0的像素。既然Canny边缘检测的输出是镶嵌在黑色背景中的边缘像素,因此其结果 dst 图像除了被检测的边缘像素,其余部分都为黑色。

  10. 显示结果:

    imshow( window_name, dst );
    
第 3 段(可获 2 积分)

结果

  • 在编译上面的代码之后, 我们可以运行结果,将图片路径输入,如下图:

    Original test image
  • 滑动标尺, 尝试不同的阈值,我们得到如下结果:

    Result after running Canny
  • 仔细观察边缘像素是如何叠加在黑色背景之上的。

第 4 段(可获 2 积分)

文章评论