4. Canny边缘检测 - cv2.Canny()

4.1 cv2.Canny() 用法简介

Canny边缘检测算法是John F.Canny在1986年开发的一个多级边缘检测算法。

Canny边缘检测算法通过像素的梯度变化寻找图像的边缘，最终可以绘制出十分精细的二值边缘图像

edges = cv2.Canny(image, threshold1, threshold2, apertureSize=None, L2gradient=None)

其中

• image 即原图像
• threshold1   第一个阈值，一般为最小阈值
• threshold2   第二个阈值，一般为最大阈值
• apertureSize  Sobel算子的孔径大小
• L2gradient 计算图像梯度的标识。默认为False。为True时采用更精准的算法进行计算。

关于这两个阈值怎么用，这涉及到了算法的底层逻辑，还请自行探索。这里一种可以接受的解释是：低于阈值1的像素点，会被认为不构成边缘，而高于阈值2的像素点，会被认为构成边缘。

最后返回值edges是一个二值的灰度图像。

4.2 代码示例

下边对test1.jpg以三组不同的阈值来做Canny边缘检测，根据处理结果感受算法效果：

- 当阈值为 10-50 时

import cv2
img = cv2.imread("test1.jpg")
r1 = cv2.Canny(img, 10, 50)
cv2.imshow("r1", r1)
cv2.waitKey()
cv2.destroyAllWindows()

- 当阈值为100-200时

import cv2
img = cv2.imread("test1.jpg")
r2 = cv2.Canny(img, 100, 200)
cv2.imshow("r2", r2)
cv2.waitKey()
cv2.destroyAllWindows()

- 当阈值为400-600时

import cv2
img = cv2.imread("test1.jpg")
r3 = cv2.Canny(img, 400, 600)
cv2.imshow("r3", r3)
cv2.waitKey()
cv2.destroyAllWindows()

5. 霍夫变换

5.1 概述

霍夫变换是一种特征检测，通过霍夫变换可以检测出图像中存在的特殊的形状。比如，直线，圆等。

霍夫变换检测直线时，算法有两个，

• 一个是cv2.HoughLines() 方法，用于检测无限延长的直线；
• 另一个是cv2.HoughLinesP() 方法，用于检测线段。

霍夫变换检测圆，使用的是**cv2.HoughCircles()**方法。

使用这三个方法前，都要先对图像进行降噪处理（使用滤波器），以去除干扰。

5.2 cv2.HoughLines() 检测直线

cv2.HoughLines()语法如下：

lines = cv.HoughLines( image, rho, theta, threshold[,srn][,stn])

其中

• image 即原图像
• rho 指的是搜索直线使用的半径步长，其值为1时表示检测所有。（即极坐标中的ρ）
• theta 指的是搜索直线的角度，值为π/180°时，表示检测所有角度。（即极坐标中的θ）
• threshold 指的是阈值，点的数量（也称投票数）。因为直线的长度取决于直线上的点的数量。所以如果达不到这个长度，就不会被判定为直线。同理，当该阈值越小，检测出的直线也就越多。
• srn 对于多尺度霍夫变换，srn表示对rho的 距离分辨率 的除数
• stn 对于多尺度霍夫变换，stn表示对theta的 距离分辨率 的除数
• min_theat 对于标准和多尺度Hough变换，检查线条的最小角度。必须介于0和最大θ之间。
• max_theat 对于标准和多尺度Hough变换，检查线条的最大角度。必须介于min_theta和CV_PI之间。

返回值lines，是一个数组，shape为(n, 1, 2)，n表示检测出的所有线段数目,每个线段用极坐标(ρ, θ)表示。

以此跨海大桥图(test2.jpg)为例，对其使用cv2.HoughLines()方法，并绘制直线：

import cv2
import numpy as np
img = cv2.imread("test2.jpg")
o = img.copy()
# 使用中值滤波进行降噪
o = cv2.medianBlur(o, 5)
# 从彩色图像变成单通道灰度图像
gray = cv2.cvtColor(o, cv2.COLOR_BGR2GRAY)
# 绘制边缘图像
binary = cv2.Canny(o, 50, 150)
# 检测直线 不限步长，不限角度，至少50个点确定一条线
lines = cv2.HoughLines(binary, 1, np.pi / 180, 50)
# print(lines)
# print(lines.shape)
for line in lines:
    rho, theta = line[0]
    a = np.cos(theta)
    b = np.sin(theta)
    x0 = a * rho
    y0 = b * rho
    x1 = int(x0 + 1000 * (-b))
    y1 = int(y0 + 1000 * (a))
    x2 = int(x0 - 1000 * (-b))
    y2 = int(y0 - 1000 * (a))
    cv2.line(img, (x1, y1), (x2, y2), (0, 0, 255), 2)
cv2.imshow("img", img)
cv2.waitKey()
cv2.destroyAllWindows()

识别效果如下，可以自行调节参数进行改良，并在这个过程中具体感受每个参数的作用。

当选择至少50个点确定一条线时，一共检测出168根直线：

当选择至少100个点确定一条线时，一共检测出35根直线：

当选择至少300个点确定一条直线时，符合要求的直线有3根：

当选择至少380个点确定一条直线时，这样的直线还剩一根：

相比检测直线，检测线段的cv2.HoughLinesP()相对要更常用些。

5.3 cv2.HoughLinesP() 检测线段

lines = cv2.HoughLinesP(image, rho, theta, threshold, minLineLength=None, maxLineGap=None)

检测线段

• image 原图
• rho 检测直线使用的半径步长，值为1时表示所有可能的半径步长
• theta 搜索直线的角度
• threshold 阈值，该值越小，检测出的直线越多。
• minLineLength表示线段的最小长度，小于该长度的线段不会被记录在结果中。值越大线段越少。
• maxLineGap 表示允许将同一行的点连接起来的最大距离。 值越大线段越多。

返回值lines，是一个数组，shape为(n, 1, 4)，n表示检测出的所有线段数目,4指的是每个线段的两端端点的笛卡尔坐标(x, y) 坐标的四个点。

其中minLineLength（最小线段长度）和maxLineGap（最小线段距离）两个参数，都是越大，识别的线段越少。

import cv2
import numpy as np
img = cv2.imread("test2.jpg")
o = img.copy()
# 使用中值滤波进行降噪
o = cv2.medianBlur(o, 5)
# 从彩色图像变成单通道灰度图像
gray = cv2.cvtColor(o, cv2.COLOR_BGR2GRAY)
# 绘制边缘图像
binary = cv2.Canny(o, 50, 150)
# 检测线段，不限步长，不限角度，至少100个点确定一条线。最大将距离为200的线段连城一条线。
lines = cv2.HoughLinesP(binary, 1, np.pi / 180, 50, minLineLength=100, maxLineGap=200)
print(lines.shape)
for line in lines:
    x1, y1, x2, y2 = line[0]
    cv2.line(img, (x1, y1), (x2, y2), (0, 0, 255), 2)
cv2.imshow("canny", binary)
cv2.imshow("img", img)
cv2.waitKey()
cv2.destroyAllWindows()

二值化边缘图案效果：

描绘线段效果（minLineLength=100）至少100个点确定一条线段（上边代码），最大将距离为200的线段连接起来

共描绘了23条线：

描绘线段效果（minLineLength=500）至少500个点确定一条线段，最大将距离为200的线段连接起来

共描绘了6条线段：

描绘线段效果（minLineLength=720）至少720个点确定一条线段，最大将距离为200的线段连接起来

共描绘了一条线：

5.4 cv2.检测圆 - HoughCircles()

circles = HoughCircles(image, method, dp, minDist, circles=None, param1=None, param2=None, minRadius=None, maxRadius=None)

其中

• image 原图像（降噪、灰度处理后的）
• method 检测方法。
• dp 累加器分辨率与原图分辨率之比的倒数。值为1时累加器与原图像有着相同的分辨率。通常选择1作为参数。（值为2时则累加器的分辨率是原图像的一半）
• minDist 圆心之间的最小距离
• param1 参数1，表示Canny边缘检测的最大阈值。是可选参数。
• param2 参数2，表示检测结果投票数。即至少多少个点确定一个圆。值越大，识别的圆越少，约精准。是可选参数。
• minRadius 圆环的最小半径（可选参数）
• maxRadius 圆环的最大半径（可选参数）

返回值circles是一个数组，数组内是所有检测出的圆环，shape为(n,1,3)。其中3表示圆心的x坐标，圆心的y坐标和半径长度三个指标。

了解完语法，

接下来我们来检测下图(test3.jpg)中的客家土楼中的圆形。

import cv2
import numpy as np
img = cv2.imread("test3.jpg")
# 使用中值滤波进行降噪
o = cv2.medianBlur(img, 11) 
# 从彩色图像变成单通道灰度图像
gray = cv2.cvtColor(o, cv2.COLOR_BGR2GRAY)  
# 展示灰度图像
cv2.imshow('gray', gray)
# 检测圆环，圆心最小间距为50，Canny最大阈值为40，投票数超过63。最小半径为10，最大半径为50
circles = cv2.HoughCircles(gray, cv2.HOUGH_GRADIENT, 1, 50, param1=40, param2=63, minRadius=10, maxRadius=100)
# 将数组元素四舍五入成整数
circles = np.uint(np.around(circles))
# 遍历圆环结果
for c in circles[0]:
    # 圆心横坐标、纵坐标和圆半径
    x, y, r = c
    # 绘制圆环
    cv2.circle(img, (x, y), r, (0, 0, 255), 3)
    # 绘制圆心
    cv2.circle(img, (x, y), 2, (0, 0, 255), 3)
cv2.imshow("img", img)
cv2.waitKey()
cv2.destroyAllWindows()

降过噪的灰度图像如下：

识别结果呈现如下，如图成功识别出了图中所有土楼的圆形：