OpenCV-Python系列之Canny边缘检测
上一个教程中我们谈到的拉普拉斯算子本质上属于图像的边缘检测，但是我们同时也看到，拉普拉斯算子有一定的局限性，对于复杂图像的边缘检测有些力不从心，本次我们将介绍一个在OpenCV中有着决定性地位的边缘检测——Canny算法。
我们在前面已经了解过，边缘检测算法通常有四个步骤：
(1)滤波：边缘检测算法主要是基于图像强度的一阶和二阶导数，但导数的计算对噪声很敏感，因此必须使用滤波器来改善与噪声有关的边缘检测器的性能．需要指出，大多数滤波器在降低噪声的同时也导致了边缘强度的损失，因此，增强边缘和降低噪声之间需要折衷．
(2)增强：增强边缘的基础是确定图像各点邻域强度的变化值．增强算法可以将邻域（或局部）强度值有显著变化的点突显出来．边缘增强一般是通过计算梯度幅值来完成的．
(3)检测：在图像中有许多点的梯度幅值比较大，而这些点在特定的应用领域中并不都是边缘，所以应该用某种方法来确定哪些点是边缘点．最简单的边缘检测判据是梯度幅值阈值判据．
(4)定位：如果某一应用场合要求确定边缘位置，则边缘的位置可在子像素分辨率上来估计，边缘的方位也可以被估计出来．
在边缘检测算法中，前三个步骤用得十分普遍。这是因为大多数场合下，仅仅需要边缘检测器指出边缘出现在图像某一像素点的附近，而没有必要指出边缘的精确位置或方向．边缘检测误差通常是指边缘误分类误差，即把假边缘判别成边缘而保留，而把真边缘判别成假边缘而去掉．边缘估计误差是用概率统计模型来描述边缘的位置和方向误差的．我们将边缘检测误差和边缘估计误差区分开，是因为它们的计算方法完全不同，其误差模型也完全不同．
Canny边缘检测算法
JohnCanny于1986年提出Canny算子，它与Marr（LoG）边缘检测方法类似，也属于是先平滑后求导数的方法。本节对根据上述的边缘检测过程对Canny检测算法的原理进行介绍。
1、灰度化
Canny算法通常处理的图像为灰度图，因此如果摄像机获取的是彩色图像，那首先就得进行灰度化。对一幅彩色图进行灰度化，就是根据图像各个通道的采样值进行加权平均。以RGB格式的彩图为例，通常灰度化采用的方法主要有：
方法1：Gray=(R+G+B)/3
方法2：Gray=0.299R+0.587G+0.114B;（这种参数考虑到了人眼的生理特点）
注意1：至于其他格式的彩色图像，可以根据相应的转换关系转为RGB然后再进行灰度化；
注意2：在编程时要注意图像格式中RGB的顺序通常为BGR。
2、高斯滤波
令f(x,y)表示数据（输入源数据），G(x,y)表示二维高斯函数（卷积操作数），fs(x,y)为卷积平滑后的图像。
Guess过程：
用坐标点（x，y）表示一个3x3的邻域，设中心点的坐标为（0，0），相邻的点以此类推。
计算权重矩阵。设定方差σ2=0.64的值，将对应各个坐标点(x,y)带入二维高斯公式G(x,y)中，得到一个权重矩阵，归一化权重矩阵(矩阵中各个点除以权重之和)，得到标准的权重矩阵，即高斯模板。
计算高斯模糊。设在一幅图像中的3×3区域内，用各像素点的灰度值乘以对应点的权重。
- 将得到的9个值求和，就是中心点的高斯模糊值。
简单来说就是使用Guess模板在原始图像中进行移位、相乘、相加的过程。
3、计算幅值图像、角度图像
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)。
例：计算一点x方向和y方向的梯度幅值和方向
上图中显示一段直的边缘线段放大后一部分，每个方块代表一个像素点，用一个方框强调点处边缘的幅值和方向。令灰色像素值为0，白色像素值为1。
如图关于一点为中心的 3×3邻域，使用Prewittt卷积模板进行计算：
根据x方向和y方向的卷积模板，可知，在3x3的邻域中从底部一行像素值减去顶部一行的像素，得到x方向的偏导数（梯度）；同样，从右边一列像素值减去左边一列的像素，得到y方向的偏导数。
x方向的梯度：
y方向的梯度：
由此，可以得到该点梯度的幅值和方向：
如下图表示了中心点的梯度向量、方位角以及边缘方向。（任一点的边缘与梯度向量正交）：
Canny算子的卷积模板为：
4、对幅值图像进行非极大值抑制
首先将角度划分成四个方向范围:水平(0°)、−45°、垂直(90°)、+45°如下图：
- 接着讨论对3x3区域的四个基本边缘方向进行非极大值抑制。
做法：若中心点（即：访问点）在沿其方向上邻域的梯度幅值最大，则保留；否则，抑制。
5、双阈值检测和连接边缘
选取系数TH和TL，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，定义高低阈值。即：TH×Max,TL×Max (当然可以自己给定) ；
将小于低阈值的点抛弃，赋0；将大于高阈值的点立即标记（这些点就是边缘点），赋1；
将小于高阈值，大于低阈值的点使用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）。
现在我们来看看函数原型：
edge = cv2.Canny(image, threshold1, threshold2[, edges[, apertureSize[, L2gradient ]]])
必要参数：
第一个参数是需要处理的原图像，该图像必须为单通道的灰度图；
第二个参数是阈值1；
第三个参数是阈值2。
其中较大的阈值2用于检测图像中明显的边缘，但一般情况下检测的效果不会那么完美，边缘检测出来是断断续续的。所以这时候用较小的第一个阈值用于将这些间断的边缘连接起来。
可选参数中apertureSize就是Sobel算子的大小。而L2gradient参数是一个布尔值，如果为真，则使用更精确的L2范数进行计算（即两个方向的倒数的平方和再开放），否则使用L1范数（直接将两个方向导数的绝对值相加）。
现在我们来看代码：
import cv2
import numpy as np
img = cv2.imread("credit_card_.png",0)
dst = cv2.Canny(img,150,200)
cv2.imshow("img",img)
cv2.imshow("res",dst)
cv2.waitKey(0)
cv2.destroyAllWindows()
可以看到，效果非常好，卡片数字边缘都被准确的识别出来了。大家对于Canny边缘检测一定要熟练的掌握，它具有非常重要的作用。
