1. Canny介绍
Canny算子与Marr(LoG)边缘检测方法类似,也属于是先平滑后求导数的方法。John Canny研究了最优边缘检测方法所需的特性,给出了评价边缘检测性能优劣的三个指标:
- 1 好的信噪比,即将非边缘点判定为边缘点的概率要低,将边缘点判为非边缘点的概率要低;
- 2 高的定位性能,即检测出的边缘点要尽可能在实际边缘的中心;
- 3 对单一边缘仅有唯一响应,即单个边缘产生多个响应的概率要低,并且虚假响应边缘应该得到最大抑制。
2. Canny检测实现过程
第一步:灰度化
第二步:高斯滤波
首先生成二维高斯分布矩阵:
然后与灰度图像进行卷积实现滤波:
第三步:计算梯度值和方向
求变化率时,对于一元函数,即求导;对于二元函数,求偏导。 数字图像处理中,用一阶有限差分近似求取灰度值的梯度值(变化率)。
(即:使差商(Δf/Δx)近似取代微商(?f/?x)。求灰度的变化率,分别取x和y方向上相邻像素做差,代替求取x和y
方向一阶偏导) 。
其中f为图像灰度值,P代表X方向梯度幅值,Q代表Y方向 梯度幅值,M是该点幅值,Θ是梯度方向,也就是角度。
注:图像梯度方向与边缘方向互相垂直:
第四步:非极大值抑制(NMS)
通俗意义上是指寻找像素点局部最大值。沿着梯度方向,比较它前面和后面的梯度值。在沿其方向上邻域的梯度幅值最大,则保留;否则,抑制。
具体参考此文:canny 非极大值抑制 NMS
可以进行插值来提高结果。
第五步:双阈值的选取、边缘连接
- 选取高阈值T H 和低阈值T L ,比率为2:1或3:1。(一般取TH =0.3 或 0.2, TL =0.1 )
- 取出非极大值抑制后的图像中的最大梯度幅值,重新定义高低阈值。即:T H ×Max,T L ×Max 。(当然可以自己给定)
- 将小于TL 的点抛弃,赋0;将大于T H 的点立即标记(这些点就是边缘点),赋1。
- 将大于TL ,小于TH 的点使用8连通区域确定(即:只有与TH 像素连接时才会被接受,成为边缘点,赋1) 。
3. Canny检测Python实现
具体实现略有不同,例如:
高斯矩阵的实现过程、梯度幅值的实现过程、非极大值抑制的角度选取(可以选0,45,90,135)、边缘检测的实现过程。
# -*- coding: utf-8 -*- """ Created on Thu Dec 7 21:12:41 2017 @author: L.P.S """ import matplotlib.pyplot as plt import numpy as np import math img = plt.imread(‘G:\\360downloads\\lps.png‘) sigma1 = sigma2 = 1 sum = 0 gaussian = np.zeros([5, 5]) for i in range(5): for j in range(5): gaussian[i,j] = math.exp(-1/2 * (np.square(i-3)/np.square(sigma1) #生成二维高斯分布矩阵 + (np.square(j-3)/np.square(sigma2)))) / (2*math.pi*sigma1*sigma2) sum = sum + gaussian[i, j] gaussian = gaussian/sum # print(gaussian) def rgb2gray(rgb): return np.dot(rgb[...,:3], [0.299, 0.587, 0.114]) # step1.高斯滤波 gray = rgb2gray(img) W, H = gray.shape new_gray = np.zeros([W-5, H-5]) for i in range(W-5): for j in range(H-5): new_gray[i,j] = np.sum(gray[i:i+5,j:j+5]*gaussian) # 与高斯矩阵卷积实现滤波 # plt.imshow(new_gray, cmap="gray") # step2.增强 通过求梯度幅值 W1, H1 = new_gray.shape dx = np.zeros([W1-1, H1-1]) dy = np.zeros([W1-1, H1-1]) d = np.zeros([W1-1, H1-1]) for i in range(W1-1): for j in range(H1-1): dx[i,j] = new_gray[i, j+1] - new_gray[i, j] dy[i,j] = new_gray[i+1, j] - new_gray[i, j] d[i, j] = np.sqrt(np.square(dx[i,j]) + np.square(dy[i,j])) # 图像梯度幅值作为图像强度值 # plt.imshow(d, cmap="gray") # setp3.非极大值抑制 NMS W2, H2 = d.shape NMS = np.copy(d) NMS[0,:] = NMS[W2-1,:] = NMS[:,0] = NMS[:, H2-1] = 0 for i in range(1, W2-1): for j in range(1, H2-1): if d[i, j] == 0: NMS[i, j] = 0 else: gradX = dx[i, j] gradY = dy[i, j] gradTemp = d[i, j] # 如果Y方向幅度值较大 if np.abs(gradY) > np.abs(gradX): weight = np.abs(gradX) / np.abs(gradY) grad2 = d[i-1, j] grad4 = d[i+1, j] # 如果x,y方向梯度符号相同 if gradX * gradY > 0: grad1 = d[i-1, j-1] grad3 = d[i+1, j+1] # 如果x,y方向梯度符号相反 else: grad1 = d[i-1, j+1] grad3 = d[i+1, j-1] # 如果X方向幅度值较大 else: weight = np.abs(gradY) / np.abs(gradX) grad2 = d[i, j-1] grad4 = d[i, j+1] # 如果x,y方向梯度符号相同 if gradX * gradY > 0: grad1 = d[i+1, j-1] grad3 = d[i-1, j+1] # 如果x,y方向梯度符号相反 else: grad1 = d[i-1, j-1] grad3 = d[i+1, j+1] gradTemp1 = weight * grad1 + (1-weight) * grad2 gradTemp2 = weight * grad3 + (1-weight) * grad4 if gradTemp >= gradTemp1 and gradTemp >= gradTemp2: NMS[i, j] = gradTemp else: NMS[i, j] = 0 # plt.imshow(NMS, cmap = "gray") # step4. 双阈值算法检测、连接边缘 W3, H3 = NMS.shape DT = np.zeros([W3, H3]) # 定义高低阈值 TL = 0.2 * np.max(NMS) TH = 0.3 * np.max(NMS) for i in range(1, W3-1): for j in range(1, H3-1): if (NMS[i, j] < TL): DT[i, j] = 0 elif (NMS[i, j] > TH): DT[i, j] = 1 elif ((NMS[i-1, j-1:j+1] < TH).any() or (NMS[i+1, j-1:j+1]).any() or (NMS[i, [j-1, j+1]] < TH).any()): DT[i, j] = 1 plt.imshow(DT, cmap = "gray")
4. 实验结果
原图 双阈值:0.1*max, 0.3*max 双阈值:0.2*max, 0.3*max
参考:
Canny算子中的非极大值抑制(Non-Maximum Suppression)分析
图像学习之如何理解方向梯度直方图(Histogram Of Gradient)