OpenCV 边缘检测（Edge Detection）cv2.Canny

OpenCV 边缘检测（Edge Detection）cv2.Canny

flyfish

import cv2

video_path = 'input_video.mp4'
cap = cv2.VideoCapture(video_path)

while True:
    ret, frame = cap.read()
    if not ret:
        break  # 视频结束

    # 转灰度
    frame_gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
    
    # 高斯模糊（减少噪声）
    blurred = cv2.GaussianBlur(frame_gray, (5, 5), 0)
    
    # 边缘检测**
    edges = cv2.Canny(blurred, threshold1=100, threshold2=200)  # Canny 算子参数
    
    # 可视化结果
    cv2.imshow('Original Frame', frame)
    cv2.imshow('Edges', edges)  # 显示边缘检测结果

    if cv2.waitKey(1) == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

解释

1. 边缘检测（Canny 算子）

edges = cv2.Canny(blurred, threshold1=100, threshold2=200)

• cv2.Canny 函数：
  OpenCV 中经典的边缘检测算法，通过梯度运算和阈值处理检测图像边缘。
• 参数说明：
  • blurred：输入的模糊后的灰度图像（减少噪声后效果更好）。
  • threshold1=100：低阈值（用于检测弱边缘）。
  • threshold2=200：高阈值（用于检测强边缘）。
    • 强边缘会被保留，弱边缘如果与强边缘相连也会被保留，否则被丢弃。
  • 返回值 edges 是单通道二值图像（0 表示非边缘，255 表示边缘）。

2. 显示边缘结果

cv2.imshow('Edges', edges)

• 窗口显示：
  新增一个窗口 Edges，显示检测到的边缘（黑白图像，白色为边缘）。
• 同时显示原图：
  cv2.imshow('Original Frame', frame) 可选保留，方便对比。

参数调整建议

(1) 阈值参数 threshold1 和 threshold2

• 默认值 100 和 200：适用于大多数场景，但需根据视频内容调整。
• 调整方向：
  • 提高阈值（如 threshold1=150, threshold2=250）：
    减少边缘检测的敏感度，抑制噪声干扰，但可能丢失细节。
  • 降低阈值（如 threshold1=50, threshold2=150）：
    增加敏感度，检测更多边缘，但可能包含更多噪声。

(2) 高斯模糊的核大小

• 当前设置 (5,5)：平衡去噪和保留细节。
• 调整方向：
  • 增大核（如 (7,7)）：更强的去噪，但边缘可能更模糊。
  • 减小核（如 (3,3)）：保留更多细节，但噪声可能更明显。

扩展功能（可选）

1. 在原图上绘制边缘

如果希望将边缘叠加到原图上（彩色显示），可以这样做：

# 将边缘图转换为三通道图像（与原图合并）
edges_color = cv2.cvtColor(edges, cv2.COLOR_GRAY2BGR)
# 合并原图和边缘图（横向拼接）
combined = np.hstack((frame, edges_color))
cv2.imshow('Combined', combined)

2. 调整 Canny 的其他参数

• apertureSize：Sobel 算子的核大小（默认 3，可选 5 增加边缘检测的鲁棒性）：

  edges = cv2.Canny(blurred, 100, 200, apertureSize=5)
  

Canny 边缘检测是一种经典且广泛应用的边缘检测算法，它具有低错误率、高定位精度和抑制虚假边缘等优点。

1. 高斯平滑

在进行边缘检测之前，图像中可能存在噪声，这些噪声会干扰边缘的检测结果。因此，第一步通常是对图像进行高斯平滑处理，使用高斯滤波器来减少噪声。高斯滤波器是一个二维的高斯函数，它对图像中的每个像素及其邻域像素进行加权平均，使得噪声的影响得到抑制。具体来说，就是通过 cv2.GaussianBlur 这样的操作，将图像中的高频噪声去除，让图像变得更加平滑，为后续的边缘检测做准备。

2. 计算梯度强度和方向

经过高斯平滑后的图像，需要计算其梯度信息，因为边缘通常对应着图像中灰度值变化较大的区域，而梯度可以反映这种变化。一般使用 Sobel 算子分别在水平（$x$ 方向）和垂直（$y$ 方向）计算梯度。

• 水平梯度计算：使用 $3\times 3$ 的 Sobel 算子 $G_x$ 与图像进行卷积操作，得到水平方向的梯度分量 $G_x$。
• 垂直梯度计算：使用 $3\times 3$ 的 Sobel 算子 $G_y$ 与图像进行卷积操作，得到垂直方向的梯度分量 $G_y$。
• 梯度强度计算：根据 $G_x$ 和 $G_y$ 计算梯度的强度 $G$，计算公式为 $G=\sqrt{G_x^2+G_y^2}$。
• 梯度方向计算：计算梯度的方向 $\theta$，计算公式为 $\theta =\arctan (\frac{G_y}{G_x})$。梯度方向通常被近似为四个方向之一：$0^{\circ }$、$45^{\circ }$、$90^{\circ }$ 或 $135^{\circ }$。

3. 非极大值抑制

在计算得到梯度强度和方向后，图像中可能存在很多梯度强度较大的点，但这些点不一定都对应真正的边缘。非极大值抑制的目的是在局部范围内找出梯度强度的极大值点，将非极大值点的梯度值设为 0，从而细化边缘。具体步骤如下：

• 对于每个像素点，根据其梯度方向，判断其在梯度方向上的相邻像素点。
• 如果该像素点的梯度强度小于其相邻像素点的梯度强度，则将该像素点的梯度值设为 0；否则，保留该像素点的梯度值。

4. 双阈值检测和边缘连接

经过非极大值抑制后，仍然可能存在一些虚假的边缘点。双阈值检测通过设置两个阈值（低阈值 $T_{low}$ 和高阈值 $T_{high}$）来进一步筛选边缘点。具体步骤如下：

• 强边缘点确定：将梯度强度大于高阈值 $T_{high}$ 的像素点标记为强边缘点，这些点肯定是边缘点。
• 弱边缘点确定：将梯度强度介于低阈值 $T_{low}$ 和高阈值 $T_{high}$ 之间的像素点标记为弱边缘点，这些点可能是边缘点，也可能是噪声。
• 边缘连接：检查弱边缘点是否与强边缘点相连。如果弱边缘点与强边缘点相连，则将其标记为边缘点；否则，将其视为噪声并去除。

操作图像的示例代码

import cv2

# 读取图像
image = cv2.imread('example.jpg', 0)  # 以灰度模式读取图像

# 进行 Canny 边缘检测
edges = cv2.Canny(image, 100, 200)

# 显示原始图像和边缘检测结果
cv2.imshow('Original Image', image)
cv2.imshow('Canny Edges', edges)

# 等待按键事件
cv2.waitKey(0)

# 关闭所有窗口
cv2.destroyAllWindows()

cv2.Canny 函数的第二个和第三个参数分别是低阈值和高阈值，你=可以根据实际情况调整这两个参数的值，以获得不同的边缘检测效果。