目標

在本章中，我們將瞭解

• Canny邊緣檢測的概念
• OpenCV函式用於：cv2.Canny()

理論

Canny邊緣檢測是一種流行的邊緣檢測演算法。它是由約翰·F·坎尼於1986年開發的。這是一個多階段的演算法。

降噪

由於邊緣檢測對影象中的噪聲很敏感，第一步是用5x5高斯濾波器去除影象中的噪聲。 

影象強度梯度的求取

然後在水平方向和垂直方向用Sobel核對平滑後的影象進行濾波，得到水平方向的一階導數()和垂直方向()從這兩幅影象中，我們可以找到每個畫素的邊緣梯度和方向如下：

梯度方向總是垂直於邊緣。它是圓形的四個角之一，代表垂直，水平和兩個對角線方向。

非極大抑制

在獲得梯度幅值和方向後，對影象進行全面掃描，以消除可能不構成邊緣的任何不需要的畫素。為此，在每個畫素上，檢查畫素是否是其鄰域內沿梯度方向的區域性最大值。檢查下面的影象：

A點在邊緣(垂直方向)。梯度方向是正常的邊緣。點B和C呈梯度方向。因此，用點B和點C檢查點A，看看它是否形成區域性最大值。如果是，則考慮到下一階段，否則就會被抑制(將為零)。

簡而言之，你得到的結果是一幅帶有“薄邊”的二值影象。

遲滯閾值

這個階段決定了哪些是邊緣，哪些是真正的邊，哪些不是邊。為此，我們需要兩個閾值，MinVal和MaxVal。任何強度梯度大於MaxVal肯定是邊，而小於MinVal肯定是非邊緣的，所以被丟棄了。處於這兩個閾值之間的人根據其連通性分為邊緣或非邊緣。如果它們連線到“確定邊緣”畫素，則它們被視為邊緣的一部分。否則，它們也會被丟棄。見下圖：

邊緣A在MaxVal，因此被認為是“確定邊緣”。雖然邊緣C在MaxVal下面，但是它與邊A相連，因此也被認為是有效邊，我們得到了這條全曲線。但是邊緣B，雖然它在上面MinVal並且與邊緣C的區域相同，它沒有連線到任何“確定邊”，因此被丟棄。所以我們必須相應地選擇MinVal和MaxVal，得到正確的結果。

這一階段也消除了小畫素噪聲的假設，邊緣是長線。所以我們最終得到的是影象中的強邊。

OpenCV中的Canny邊緣檢測

OpenCV將上述所有功能都放在一個函式中，cv2.Canny()。我們會看看如何使用它。第一個引數是我們的輸入影象。第二個和第三個引數分別是我們的MinVal和MaxVal。第三個引數是aperture_size。它是用於查詢影象梯度的Sobel核的大小。預設情況下是3。最後一個引數是L2gradient ，它指定了求梯度幅值的公式。如果是True，它使用上面提到的更精確的方程，否則它使用這個函式：

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

img = cv2.imread('messi5.jpg',0)
edges = cv2.Canny(img,100,200)

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()

見以下結果：