深入解析 Canny 边缘检测：原理、步骤与实践应用全攻略
深入解析 Canny 边缘检测：原理、步骤与实践应用全攻略
Canny边缘检测是一种广泛应用于图像处理和计算机视觉领域的边缘检测算法。本文将深入解析Canny边缘检测的原理、步骤及其在实际应用中的效果，帮助读者全面掌握这一核心技术。
Canny边缘检测步骤
第一步：去噪
边缘检测的第一步通常是去除图像中的噪声，以避免噪声对后续边缘检测步骤的影响。最常用的去噪方法是使用高斯滤波。高斯滤波的特点是靠近中心的权值比较大，远离中心的权值较小，这样可以平滑一些纹理较弱的非轮廓区域。
例如，使用高斯滤波核对下面这张图的红色像素点进行计算：
高斯卷积核如下：
两个矩阵乘法/56 = 138。
核的大小对噪声敏感度有重要影响：核越大，对噪声的敏感度越低，但边缘定位的误差也会增加。通常来说，5x5的核足以满足大多数情况。
高斯核的选取
小核的局限性：小高斯核（如 3x3）在抑制噪声方面的能力相对较弱。虽然它能够较好地保留图像的细节和边缘的精确位置，但在实际应用中，很多图像都含有一定程度的噪声。如果噪声没有得到有效抑制，就会在边缘检测过程中产生大量的伪边缘。这些伪边缘会干扰真正边缘信息的提取，导致边缘检测结果不准确。
5x5高斯核的优势：用 5x5 的高斯核可以在一定程度上有效地平滑图像，减少噪声的影响。例如，在一幅含有椒盐噪声（图像上随机出现的黑白像素点）的图像中，5x5 的高斯核能够将这些噪声点周围的像素值进行加权平均，使得噪声引起的像素值突变得到缓解。这样，在后续的边缘检测步骤（如计算梯度幅值和方向）中，就不容易因为噪声的干扰而错误地检测出边缘。
权衡考虑：虽然较大的高斯核（如 5x5）可能会导致边缘定位出现一些误差，但在很多实际应用场景中，这种误差是可以接受的。因为边缘检测的主要目的通常是获取物体的大致轮廓，而不是精确到像素级别的边缘位置。例如，在一个工业零件检测的场景中，只需要知道零件的大致边缘位置来判断其形状是否符合标准，少量的边缘定位误差不会对整体的检测结果产生重大影响。
相比于小核可能产生的大量伪边缘，大核导致的边缘定位错误相对来说是次要的。如果使用小核，大量的伪边缘会使得后续的边缘连接、轮廓提取等操作变得非常复杂，甚至无法准确地获取物体的完整轮廓。而使用 5x5 的核可以在减少伪边缘的同时，虽然会有一定的定位错误，但仍然能够提供相对清晰和准确的边缘轮廓。
第二步：计算梯度
计算梯度是边缘检测中的关键步骤，用于确定图像中边缘的位置和方向。梯度的计算通常包括梯度幅值和梯度方向两个方面。
梯度幅值的计算公式为：
[ G = \sqrt{G_x^2 + G_y^2} ]
梯度方向的计算公式为：
[ 方向 = \arctan2(G_y, G_x) ]
梯度的方向与边缘垂直，因此在计算梯度时，会得到角度和梯度两个值。为了简化计算和后续处理，通常将梯度方向量化为8个方向（左右上下、左上 左下 右上右下）。
第三步：非极大值抑制
非极大值抑制（Non-Maximum Suppression，NMS）是边缘细化的重要步骤。其基本思想是：对于每个像素点，检查其梯度方向上的相邻像素点，如果当前像素点的梯度值不是局部最大值，则将其抑制（置为0）。这样可以去除一些非边缘的点，保留真正的边缘信息。
具体步骤如下：
- 遍历所有像素点
- 根据梯度方向，检查当前像素点在梯度方向上的相邻像素点
- 如果当前像素点的梯度值不是局部最大值，则将其抑制（置为0）
通过非极大值抑制，可以实现边缘细化的目的，去除一些不必要的边缘信息，使边缘更加清晰。
第四步：双阈值确定边缘
双阈值检测是Canny边缘检测算法的最后一步，用于区分强边缘和弱边缘，并最终确定边缘的位置。
双阈值检测分为两小步：
- 设置两个阈值：最大阈值（max）和最小阈值（min）
- 如果梯度幅值 >= max，则标记为强边缘
- 如果梯度幅值在 max 和 min 之间，则标记为弱边缘
- 如果梯度幅值 < min，则直接删除
- 遍历弱边缘，判断其是否与强边缘有连接
- 如果弱边缘与强边缘有连接，则确定为边缘
- 如果弱边缘与强边缘没有连接，则删除
通过双阈值检测，可以有效去除一些孤立的噪声点，同时保留连续的边缘信息，使边缘检测结果更加准确和完整。
语法与案例
在OpenCV中，Canny边缘检测的函数调用格式如下：
edges = cv2.Canny(image, threshold1, threshold2, L2gradient=False)
image：待处理的8位输入图像threshold1：第一个阈值（最小阈值）threshold2：第二个阈值（最大阈值）L2gradient：是否使用更准确的梯度计算方法，默认为False
下面通过一个具体的案例来说明Canny边缘检测的效果。我们将对一张猪的图片（pig.JPG）进行处理：
代码如下：
import numpy as np
import cv2
# 读取图像
pig = cv2.imread("pig.JPG")
# 使用不同的阈值进行Canny边缘检测
img1 = cv2.Canny(pig, 128, 200)
img2 = cv2.Canny(pig, 32, 128)
# 显示原始图像和处理结果
cv2.imshow("original", pig)
cv2.imshow("128-200", img1)
cv2.imshow("32-128", img2)
cv2.waitKey()
cv2.destroyAllWindows()
运行结果如下：
从上面的运行结果可以看出，阈值低的部分可以选择出更多边缘细节。原因如下：
当低阈值较小时，更多的像素梯度幅值能够大于低阈值，这就使得更多的像素有机会被标记为弱边缘像素或者强边缘像素。例如，在一个包含一些微弱边缘的图像中，较低的低阈值可以让这些微弱边缘对应的像素梯度幅值超过低阈值，从而被考虑进入边缘检测的后续流程。
对于后续的边缘连接等操作，这些被标记为弱边缘的像素有机会与强边缘像素连接起来，最终形成完整的边缘。因为在边缘连接阶段，一些弱边缘像素如果与强边缘像素相邻或者在一定的连接规则下，它们会被判定为边缘的一部分，从而增加了边缘的完整性，捕获到更多的边缘信息。
总结
Canny边缘检测算法通过去噪、计算梯度、非极大值抑制和双阈值检测等步骤，能够有效地检测出图像中的边缘信息。通过调整高斯核的大小和阈值参数，可以进一步优化边缘检测的效果。希望本文能够帮助读者深入理解Canny边缘检测算法的原理和应用。