理論

Canny演算法旨在滿足三個主要標準：

• 低錯誤率：意味著只檢測存在的邊緣。
• 良好的定位：必須最小化檢測到的邊緣畫素和真實邊緣畫素之間的距離。
• 最小響應：每個邊緣只有一個檢測器響應。

步驟

• 過濾掉任何噪音。 高斯濾波器用於此目的。 可能使用的大小為5的高斯核心的示例如下所示：
• 找到影象的強度梯度。 為此，我們遵循類似Sobel的程式：

1. 應用一對卷積掩模（在x和y方向)：
2. 找到梯度強度和方向：

• 應用非最大抑制。 這將刪除不被視為邊緣一部分的畫素。 因此，僅保留細線（候選邊緣）。
• 遲滯：最後一步。 Canny確實使用了兩個閾值（上限和下限）：

1. 如果畫素梯度高於上閾值，則該畫素被接受為邊緣
2. 如果畫素梯度值低於下閾值，則拒絕它
3. 如果畫素梯度在兩個閾值之間，則僅當它連線到高於上閾值的畫素時才接受它。

程式碼

#include "opencv2/imgproc/imgproc.hpp"
#include "opencv2/imgcodecs.hpp"
#include "opencv2/highgui/highgui.hpp"
#include <stdlib.h>
#include <stdio.h>
using namespace cv;
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;
const char* window_name = "Edge Map";
static void CannyThreshold(int, void*)
{
    blur( src_gray, detected_edges, Size(3,3) );
    Canny( detected_edges, detected_edges, lowThreshold, lowThreshold*ratio, kernel_size );
    dst = Scalar::all(0);
    src.copyTo( dst, detected_edges);
    imshow( window_name, dst );
}
int main( int, char** argv )
{
  src = imread( argv[1] );
  if( src.empty() )
    { return -1; }
  dst.create( src.size(), src.type() );
  cvtColor( src, src_gray, COLOR_BGR2GRAY );
  namedWindow( window_name, WINDOW_AUTOSIZE );
  createTrackbar( "Min Threshold:", window_name, &lowThreshold, max_lowThreshold, CannyThreshold );
  CannyThreshold(0, 0);
  waitKey(0);
  return 0;
}
 

解釋

• 建立一些所需的變數：

1. 我們建立一個較低的比率：上限閾值為3：1（可變比例）
2. 我們將核心大小設定為3（用於由Canny函式在內部執行的Sobel操作）
3. 我們為下限閾值設定了最大值100。

• 載入源影象：
• 建立一個src相同型別和大小的矩陣（將是dst）
• 將影象轉換為灰度（使用函式cv :: cvtColor：）
• 建立一個視窗以顯示結果
• 建立一個滑塊欄，供使用者輸入Canny探測器的下限：

1. 滑動條控制的變數是低閾值，具有最大低閾值限制（我們之前設定為100）
2. 每次滑動條註冊一個動作時，都會呼叫回撥函式CannyThreshold。

• 讓我們一步一步檢查CannyThreshold函式：

1. 首先，我們使用核心大小為3的過濾器模糊影象：
2. 其次，我們應用OpenCV函式cv :: Canny：

• 我們用零填充dst影象（意味著影象是完全黑色的）。
• 最後，我們將使用函式cv :: Mat :: copyTo僅對映影象中標識為邊的區域（在黑色背景上）。
• 我們顯示結果：

效果

在編譯上面的程式碼之後，我們可以執行它作為引數給出影象的路徑。 例如，使用以下影象作為輸入：

移動滑塊，嘗試不同的閾值，我們得到以下結果：