OpenCV系列（七）边缘提取-技术圈

边缘提取，指数字图像处理中，对于图片轮廓的一个处理。对于边界处，灰度值变化比较剧烈的地方，就定义为边缘。也就是拐点，拐点是指函数发生凹凸性变化的点。二阶导数为零的地方。并不是一阶导数，因为一阶导数为零，表示是极值点。

边缘提取

边缘检测的基本思想首先是利用边缘增强算子，突出图像中的局部边缘，然后定义像素的“边缘强度”，通过设置阈值的方法提取边缘点集。由于噪声和模糊的存在，监测到的边界可能会变宽或在某点处发生间断。因此，边界检测包括两个基本内容：（1）用边缘算子提取出反映灰度变化的边缘点集。（2）在边缘点集合中剔除某些边界点或填补边界间断点，并将这些边缘连接成完整的线。

边缘定义

图像灰度变化率最大的地方（图像灰度值变化最剧烈的地方）。图像灰度在表面变化的不连续造成的边缘。一般认为边缘提取是要保留图像的灰度变化剧烈的区域，这从数学上看，最直观的方法就是微分(对于数字图像来说就是差分)，在信号处理的角度来看，也可以说是用高通滤波器，即保留高频信号。边缘信息包含两个方面：1.像素的坐标 2.边缘的方向

Part 1

Canny 算法

边缘检测是图像处理和计算机视觉中的基本问题，边缘检测的目的是标识数字图像中亮度变化明显的点。图像属性中的显著变化通常反映了属性的重要事件和变化。这些包括

深度上的不连续
表面方向不连续
物质属性变化
场景照明变化。

边缘检测是图像处理和计算机视觉中，尤其是特征提取中的一个研究领域。Canny 的目标是找到一个最优的边缘检测算法，最优边缘检测的含义是:

好的检测 - 算法能够尽可能多地标识出图像中的实际边缘。
好的定位 - 标识出的边缘要尽可能与实际图像中的实际边缘尽可能接近。
最小响应 - 图像中的边缘只能标识一次，并且可能存在的图像噪声不应标识为边缘。

Canny算法在分为如下几个步骤:

输入彩色图像，通过高斯模糊去除噪声 GaussianBlur
灰度转换 cvtColor
计算梯度 Sobel/Scharr
非最大信号抑制
高低阙值输出二值图像

接下来让我们来敲代码在OpenCV中实现Canny算法吧：

import cv2import numpy as npdef Canny_demo(img):    blur=cv2.GaussianBlur(img,(5,5),0) #除去噪声    gray=cv2.cvtColor(blur,cv2.COLOR_BGR2GRAY) #图像灰度    xgrad=cv2.Scharr(gray,cv2.CV_16SC1,1,0) #求梯度Scharr算子    ygrad=cv2.Scharr(gray,cv2.CV_16SC1,0,1)    edge=cv2.Canny(xgrad,ygrad,0,255)    dst=cv2.bitwise_and(img,img,mask=edge)    return edge,dst

首先我们定义了一个Canny_demo函数，函数的主要功能是: 使用高斯模糊除去图片的噪声，接着使用cv2.cvtColor 把图像灰度化，然后求梯度Schaar算子，然后使用Canny算法进行边缘检测，最后返回掩模和图片，函数写完了，我们来进行调用:

if __name__ == '__main__':    img=cv2.imread('opencv_image/morph02.png')    cv2.imshow('img',img)    _,image=Canny_demo(img)    cv2.imshow('demo',image)    cv2.waitKey(0)

运行结果如下:

Tips:像上面的运行结果，会发现噪点挺多的，我们可以通过加大高斯模糊的算子来除去更多的噪声。如图,这是把GaussianBlur中（5,5）加到（9,9）的结果。可见噪声变得少了。

Part 2

直线检测

直线检测的前提条件是：边缘检测已经完成！所以这时候我们可以再写一个函数来调用我们刚刚写好的Canny函数，这样子我们就可以不需要重复地去造轮子。所有代码如下：

import cv2import numpy as npdef Canny_demo(img):    blur=cv2.GaussianBlur(img,(9,9),0) #除去噪声    gray=cv2.cvtColor(blur,cv2.COLOR_BGR2GRAY) #图像灰度    xgrad=cv2.Scharr(gray,cv2.CV_16SC1,1,0) #求梯度Scharr算子    ygrad=cv2.Scharr(gray,cv2.CV_16SC1,0,1)    edge=cv2.Canny(xgrad,ygrad,0,255)    dst=cv2.bitwise_and(img,img,mask=edge)    return edge,dst
def find_lines(img):    edge,_=Canny_demo(img)    lines=cv2.HoughLinesP(edge,1,np.pi/180,100,                          minLineLength=50,                          maxLineGap=10)    for line in lines:        x1,y1,x2,y2=line[0]        cv2.line(img,(x1,y1),(x2,y2),(255,0,0),1)    return img
if __name__ == '__main__':    img=cv2.imread('opencv_image/morph02.png')    cv2.imshow('img',img)    image=find_lines(img)    cv2.imshow('demo',image)    cv2.waitKey(0)

程序运行结果：

函数解析：

HoughLinesP(image,rho, theta, threshold, lines=None, minLineLength=None, maxLineGap=None

作用：获得霍夫直线

image	必须是二值图像，推荐使用canny边缘检测的结果图像
rho	线段以像素为单位的距离精度，double类型的，推荐用1.0
theta	线段以弧度为单位的角度精度，推荐用numpy.pi/180
threshold	累加平面的阈值参数，int类型，超过设定阈值才被检测出线段，值越大，基本上意味着检出的线段越长，检出的线段个数越少。根据情况推荐先用100试试
lines	这个参数的意义未知，发现不同的lines对结果没影响，但是不要忽略了它的存在
minLineLength	线段以像素为单位的最小长度，根据应用场景设置
maxLineGap	同一方向上两条线段判定为一条线段的最大允许间隔（断裂），超过了设定值，则把两条线段当成一条线段，值越大，允许线段上的断裂越大，越有可能检出潜在的直线段