边缘检测基础：Canny算法
边缘检测是计算机视觉中的一项基础而重要的处理技术，它能够帮助我们识别出图像中物体的轮廓。在众多边缘检测算法中，Canny算法因其高效性和准确性，在实际应用中非常受欢迎。本节我们将深入探索Canny边缘检测算法，并通过OpenCV-Python实现来加深理解。
1. Canny边缘检测算法概述
Canny边缘检测算法是由John Canny于1986年提出的，它是一种多阶段的算法，目的是提取图像中有用的结构信息，同时尽可能降低错误率。Canny算法的高效性主要体现在以下三个标准上：
低误差率：标志着边缘检测必须尽可能精确地捕获图像中的边缘。 高定位性：检测到的边缘点必须尽可能接近真实边缘的中心。 最小响应：图像中的边缘只能被标记一次，并且可能存在的噪声不应产生误检。
2. Canny算法的具体步骤
Canny算法的执行流程可分为以下几个步骤：
2.1 噪声去除
由于边缘检测很容易受到图像中噪声的影响，首步是用高斯滤波器对图像进行平滑处理，去除噪声。
2.2 寻找图像梯度
使用Sobel算子计算水平和垂直方向上的梯度，从而找到图像中梯度的强度和方向。
2.3 非极大值抑制
将梯度值不是极大值的像素点设置为0，这样可以得到细化的边缘。
2.4 双阈值检测
确定两个阈值：低阈值和高阈值。强度高于高阈值的像素被认为是边缘像素，低于低阈值的被排除掉，位于两者之间的用一定的方法处理。
2.5 边缘跟踪
通过滞后技术从潜在的边缘像素中删除边缘，并确定哪些边缘是真正的边缘。
3. OpenCV中的Canny边缘检测
OpenCV提供了简单易用的Canny函数，只需指定低阈值和高阈值即可。让我们通过示例来看一下Canny算法在OpenCV中的应用。
import cv2
import numpy as np
image = cv2.imread('image.jpg', 0) # 以灰度模式读取图像
edges = cv2.Canny(image, 100, 200) # 应用Canny边缘检测
cv2.imshow('Original Image', image)
cv2.imshow('Edges', edges)
cv2.waitKey(0)
cv2.destroyAllWindows()
在这个例子中，我们首先以灰度模式读取图像，然后使用Canny函数进行边缘检测，其中100和200分别是算法的低阈值和高阈值。最后，展示了原始图片和检测到的边缘图片。
例题
题目：给定一张包含简单图形的图像，使用Canny算法检测图像中的图形边缘。
解题步骤：
读取图像并转化为灰度图像。 使用GaussianBlur进行去噪。 应用Canny边缘检测函数。 显示原图和结果图来对比。
通过以上步骤，可以有效地应用Canny算法进行边缘检测，并对检测结果进行验证。
边缘检测在图像处理和计算机视觉中占有非常重要的地位，Canny算法作为边缘检测的经典算法之一，不仅具有较高的检测效率，同时也能较好地保留图像边缘的细节信息。通过将Canny算法与其他算法结合使用，可以实现更加复杂的图像处理任务。
这里简单介绍了一些基本知识点，更细致的内容请参考：
李立宗，OpenCV轻松入门（第2版），电子工业出版社，2023 李立宗，计算机视觉40例（从入门到深度学习：OpenCV-Python），电子工业出版社，2022
单击【阅读原文】参加OpenCV-Python课程学习。
单击【阅读原文】参加OpenCV-Python课程学习。
在本公众号【计算机视觉之光】回复关键字“叮叮当当”获取更多的Python学习资料。
