OpenCV系列(七)邊緣提取

邊緣提取，指數字圖像處理中，對於圖片輪廓的一個處理。對於邊界處，灰度值變化比較劇烈的地方，就定義為邊緣。也就是拐點，拐點是指函數發生凹凸性變化的點。二階導數為零的地方。並不是一階導數，因為一階導數為零，表示是極值點。

邊緣檢測的基本思想首先是利用邊緣增強算子，突出圖像中的局部邊緣，然後定義像素的「邊緣強度」，通過設置閾值的方法提取邊緣點集。由於噪聲和模糊的存在，監測到的邊界可能會變寬或在某點處發生間斷。因此，邊界檢測包括兩個基本內容：（1）用邊緣算子提取出反映灰度變化的邊緣點集。（2）在邊緣點集合中剔除某些邊界點或填補邊界間斷點，並將這些邊緣連接成完整的線。

圖像灰度變化率最大的地方（圖像灰度值變化最劇烈的地方）。圖像灰度在表面變化的不連續造成的邊緣。一般認為邊緣提取是要保留圖像的灰度變化劇烈的區域，這從數學上看，最直觀的方法就是微分(對於數字圖像來說就是差分)，在信號處理的角度來看，也可以說是用高通濾波器，即保留高頻信號。邊緣信息包含兩個方面：1.像素的坐標 2.邊緣的方向

邊緣檢測是圖像處理和計算機視覺中的基本問題，邊緣檢測的目的是標識數字圖像中亮度變化明顯的點。圖像屬性中的顯著變化通常反映了屬性的重要事件和變化。這些包括

深度上的不連續

表面方向不連續

物質屬性變化

場景照明變化。

 

邊緣檢測是圖像處理和計算機視覺中，尤其是特徵提取中的一個研究領域。Canny 的目標是找到一個最優的邊緣檢測算法，最優邊緣檢測的含義是:

好的檢測 - 算法能夠儘可能多地標識出圖像中的實際邊緣。

好的定位 - 標識出的邊緣要儘可能與實際圖像中的實際邊緣儘可能接近。

最小響應 - 圖像中的邊緣只能標識一次，並且可能存在的圖像噪聲不應標識為邊緣。

 

Canny算法在分為如下幾個步驟:

輸入彩色圖像，通過高斯模糊去除噪聲 GaussianBlur

灰度轉換 cvtColor

計算梯度 Sobel/Scharr

非最大信號抑制  

高低闕值 輸出二值圖像

接下來讓我們來敲代碼在OpenCV中實現Canny算法吧：

import cv2import numpy as npdef Canny_demo(img):    blur=cv2.GaussianBlur(img,(5,5),0) #除去噪聲    gray=cv2.cvtColor(blur,cv2.COLOR_BGR2GRAY) #圖像灰度    xgrad=cv2.Scharr(gray,cv2.CV_16SC1,1,0) #求梯度Scharr算子    ygrad=cv2.Scharr(gray,cv2.CV_16SC1,0,1)    edge=cv2.Canny(xgrad,ygrad,0,255)    dst=cv2.bitwise_and(img,img,mask=edge)    return edge,dst
首先我們定義了一個Canny_demo函數，函數的主要功能是: 使用高斯模糊除去圖片的噪聲，接著使用cv2.cvtColor 把圖像灰度化，然後求梯度Schaar算子，然後使用Canny算法進行邊緣檢測，最後返回掩模和圖片，函數寫完了，我們來進行調用:
if __name__ == '__main__':    img=cv2.imread('opencv_image/morph02.png')    cv2.imshow('img',img)    _,image=Canny_demo(img)    cv2.imshow('demo',image)    cv2.waitKey(0)
運行結果如下:
Tips:像上面的運行結果，會發現噪點挺多的，我們可以通過加大高斯模糊的算子來除去更多的噪聲。如圖,這是把GaussianBlur中（5,5）加到（9,9）的結果。可見噪聲變得少了。
直線檢測的前提條件是：邊緣檢測已經完成！所以這時候我們可以再寫一個函數來調用我們剛剛寫好的Canny函數，這樣子我們就可以不需要重複地去造輪子。所有代碼如下：
import cv2import numpy as npdef Canny_demo(img):    blur=cv2.GaussianBlur(img,(9,9),0)     gray=cv2.cvtColor(blur,cv2.COLOR_BGR2GRAY)     xgrad=cv2.Scharr(gray,cv2.CV_16SC1,1,0)     ygrad=cv2.Scharr(gray,cv2.CV_16SC1,0,1)    edge=cv2.Canny(xgrad,ygrad,0,255)    dst=cv2.bitwise_and(img,img,mask=edge)    return edge,dst
def find_lines(img):    edge,_=Canny_demo(img)    lines=cv2.HoughLinesP(edge,1,np.pi/180,100,                          minLineLength=50,                          maxLineGap=10)    for line in lines:        x1,y1,x2,y2=line[0]        cv2.line(img,(x1,y1),(x2,y2),(255,0,0),1)    return img
if __name__ == '__main__':    img=cv2.imread('opencv_image/morph02.png')    cv2.imshow('img',img)    image=find_lines(img)    cv2.imshow('demo',image)    cv2.waitKey(0)
程序運行結果：
函數解析：
HoughLinesP(image,rho, theta, threshold, lines=None, minLineLength=None, maxLineGap=None
作用：獲得霍夫直線
image
必須是二值圖像，推薦使用canny邊緣檢測的結果圖像
rho
線段以像素為單位的距離精度，double類型的，推薦用1.0
theta
線段以弧度為單位的角度精度，推薦用numpy.pi/180
threshold
累加平面的閾值參數，int類型，超過設定閾值才被檢測出線段，值越大，基本上意味著檢出的線段越長，檢出的線段個數越少。根據情況推薦先用100試試
lines
這個參數的意義未知，發現不同的lines對結果沒影響，但是不要忽略了它的存在
minLineLength
線段以像素為單位的最小長度，根據應用場景設置
maxLineGap
同一方向上兩條線段判定為一條線段的最大允許間隔（斷裂），超過了設定值，則把兩條線段當成一條線段，值越大，允許線段上的斷裂越大，越有可能檢出潛在的直線段