1. cv2.Canny(src, thresh1, thresh2) 進行canny邊緣檢測
參數說明: src表示輸入的圖片， thresh1表示最小閾值，thresh2表示最大閾值，用於進一步刪選邊緣信息
Canny邊緣檢測步驟：
第一步：使用高斯濾波器進行濾波，去除噪音點
第二步：使用sobel算子，計算出每個點的梯度大小和梯度方向
第三步：使用非極大值抑制(只有最大的保留)，消除邊緣檢測帶來的雜散效應
第四步：應用雙閾值，來確定真實和潛在的邊緣
第五步：通過抑制弱邊緣來完成最終的邊緣檢測
第一步：高斯濾波進行濾波操作
這是3*3的歸一化后的高斯核，將當前核與圖片中的9個位置對應位置求和，表示當前位置的像素值，進行平滑處理，去除一些噪聲點的干擾
第二步：使用sobel算子，計算各個點的梯度大小和梯度方向
使用的sobel算子存在兩個方向，即x軸和y軸方向，分別計算x軸的梯度為Gx， 計算y軸的梯度為Gy
當前點的梯度大小 = sqrt(Gx ^ 2 + Gy ^ 2)
梯度的方向：Θ = arctan(Gx / Gy)
第三步：使用非極大值抑制，消除雜散效應
非極大值抑制第一種方式，如圖所示，g1表示的是坐上角一點的梯度值，g2為當前點上面一點的梯度值，斜線表示的是梯度的方向，我們需要計算出斜線與g1,g2交點的近似梯度值，使用線性差值表示：即M(dtmp1) = w*M(g2) + (1-w) * M(g1) w = distance(dtmp1, g2) / distance(g1, g2)
同理計算出M(dtmp2) 即斜線與g3，g4的交點的近似梯度值
將C點的梯度值與M(dtmp1) 和 M(dtmp2)的大小做一個比較，如果比兩者都大就保留，否者就去除
非極大值抑制第二種方式，如圖所示， 我們可以直接比較梯度方向的斜線與哪條直線比較接近，就與哪個方向上的梯度值進行比較,我們可以初步的知道角度的區間是
(30, 45, 60, 90) ， 舉例說明，如果斜線靠近45度角的斜線,那么就與對角線上的兩個點的梯度做比較，如果都大於則保留，否者剔除
第四步：使用雙閾值來獲得真實邊緣和潛在的邊緣
進行進一步刪選，如果當前梯度值大於給定的maxVal，判斷為邊界， 如果當前梯度值小於minval則舍棄，如果當前梯度值在給定的最大值和最小值之間，如果其周圍的點是邊界點，那么當前點保留，否者舍棄
從上圖我們可以看出，當minval和maxval越小時，所保留的邊緣信息更多
第一步：載入lena圖片
第二步：使用兩組閾值，對結果作圖做比較
第三步：載入汽車的圖
第四步: 使用兩組閾值，對結果作圖做比較
import cv2 import numpy as np img = cv2.imread('lena.jpg') v1 = cv2.Canny(img, 80, 150) v2 = cv2.Canny(img, 50, 100) ret = np.hstack((v1, v2)) cv2.imshow('img', ret) cv2.waitKey(0) cv2.destroyAllWindows()
在最大閾值和最小閾值都偏小的情況下，我們可以看出右邊這幅圖比左邊這幅圖擁有更多的輪廓信息，同樣的也容易存在一些非邊緣點的信息
car = cv2.imread('car.png') v1 = cv2.Canny(car, 120, 250) v2 = cv2.Canny(car, 50, 100) ret = np.hstack((v1, v2)) cv2.imshow('car', ret) cv2.waitKey(0) cv2.destroyAllWindows()
右邊的圖的邊緣信息更多，左邊的圖很多房子的線條沒有了