Python OpenCV 365 天学习计划，与橡皮擦一起进入图像领域吧。本篇博客是这个系列的第 32 篇。
基础知识铺垫
<kbd>Canny</kbd>边缘提取的目标是找到一个最优的边缘检测算法，从这里能看出，目标依旧是提取边缘。
它的原理是：检测出图像中所有灰度值变化较大的点，这些点进行连接形成线条，线条的集合就是图像的边缘。
该边缘检测比较流行，我们进行一下学习吧。
在这里依旧补充一下图像里面什么是边缘：
直观上图像的边缘是灰度值突然改变的地方，边缘产生有以下几个原因：
- 表面法向量不连续（新知识，法向量：垂直于平面的直线所表示的向量为该平面的法向量）；
- 深度的不连续；
- 表面颜色的不连续；
- 光照的不连续。
好的边缘提取器的标准
该标准适用于检测所有边缘提取算法
- <kbd>Good detection</kbd>：既不能过多的检测出噪声，也不能丢失边缘信息；
- <kbd>Good localization</kbd>：边缘应该尽可能和真实图像边缘接近；
- <kbd>Single response</kbd>：边缘提取的尽可能细，每个只占一个像素点。
Canny 边缘检测的相关说明
首先看一下网上对其步骤的说明：
- 图像降噪，使用高斯滤波器，消除噪声，使用
GaussianBlur函数； - 计算图像梯度，每个像素的梯度和方向都要计算，使用
Sobel与Scharr函数； - 非极大值抑制，消除边缘检测带来的杂散响应（新名词）；
- 阈值筛选，高低阈值输出二值图像。
Canny 函数原型
edges = cv2.Canny(image, threshold1, threshold2[, edges[, apertureSize[, L2gradient]]])
edges = cv.Canny(dx, dy, threshold1, threshold2[, edges[, L2gradient]]
参数说明如下：
- <kbd>image</kbd>：输入图像；
- <kbd>threshold1</kbd>：低阈值；
- <kbd>threshold2</kbd>：高阈值；
- <kbd>edges</kbd>：这个参数就比较迷了，输出的边缘图（为何不用 dst）；
- <kbd>apertureSize</kbd>：算子大小，默认值为 3；
- <kbd>L2gradient</kbd>：计算图像梯度的方式。
官方参数说明可以点击学习
测试代码如下：
import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
src = cv.imread("test1.jpg", 0)
# 图像降噪
src = cv.GaussianBlur(src, (3, 3), 0)
# 图像梯度
xgrad = cv.Sobel(src, cv.CV_16SC1, 1, 0)
ygrad = cv.Sobel(src, cv.CV_16SC1, 0, 1)
# Canny 边缘检测，50 为低阈值，150 为高阈值，参数必须符合1：3或者1：2
canny = cv.Canny(xgrad, ygrad, 50, 150)
# 直接用灰度图像
# canny = cv.Canny(gray, 50, 150)
imgs = np.hstack([src, canny])
plt.figure(figsize=(20, 10))
plt.imshow(imgs, "gray")
plt.axis('off')
plt.show()
运行之后，可以发现图像边缘提取的还可以。
20210203062210474[1].png
高低阈值筛选
如果 low，high 为阈值，那高于 high 的都保留，小于 low 的都丢弃，最终即可输出二值图像，推荐高低阈值比例为 1:3 或者 1:2。
上面代码还遗留一个小问题，即使用灰度图像，如果读取进来的图片没有进行该转换，最终得到的效果会有差异，效果图如下：
20210203063321734[1].png
官方手册相关知识可以点击
加入滑动条
对于这种涉及值的操作，都可以使用滑动条解决问题。
修改成动态调参代码与效果如下：
import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
src = cv.imread("test1.jpg")
cv.namedWindow("bar", cv.WINDOW_AUTOSIZE)
low_threshold = 0
high_threshold = 0
def do(x):
global high_threshold
if x != 0:
high_threshold = 3 * x
cv.createTrackbar("low_threshold", "bar", 10, 100, do)
# 图像降噪
src = cv.GaussianBlur(src, (3, 3), 0)
gray = cv.cvtColor(src, cv.COLOR_BGR2GRAY)
# 图像梯度
xgrad = cv.Sobel(gray, cv.CV_16SC1, 1, 0)
ygrad = cv.Sobel(gray, cv.CV_16SC1, 0, 1)
while True:
low_threshold = cv.getTrackbarPos("low_threshold", "bar")
canny = cv.Canny(gray, low_threshold, high_threshold)
cv.imshow("canny", canny)
if cv.waitKey(1) & 0xFF == 27:
break
cv.destroyAllWindows()
20210203064250534[1].gif
相关数学知识挖坑
本部分用于记录本文中提及的相关数学原理，后续逐步埋坑。
- x 轴与 y 轴方向上的一阶偏导数；
- 反三角函数；
- 高斯滤波器公式；
- 法向量。
橡皮擦的小节
希望今天的 1 个小时（今天内容有点多，不一定可以看完），你有所收获，我们下篇博客见~
相关阅读
技术专栏
逗趣程序员
今天是持续写作的第 <font color="red">73</font> / 100 天。
如果你有想要交流的想法、技术，欢迎在评论区留言。
