一、 高斯濾波

????????邊緣檢測本身屬于銳化操作，對噪點比較敏感，所以需要進行平滑處理。這里使用的是一個5*5的高斯 核對圖像進行消除噪聲。

二、計算圖像的梯度和方向

三、非極大值抑制

? ? ? ? 在得到每個邊緣的方向之后，其實把它們連起來邊緣檢測就算完了，經過第二步得到的邊緣不經過處理是沒辦法使用的，因為高斯濾波的原因，邊緣會變得模糊，導 致經過第二步后得到的邊緣像素點非常多，因此我們需要對其進行一些過濾操作，而非極大值抑制就是 一個很好的方法，它會對得到的邊緣像素進行一個排除，使邊緣盡可能細一點。

????????在該步驟中，我們需要檢查每個像素點的梯度方向上的相鄰像素，并保留梯度值最大的像素，將其他像 素抑制為零。假設當前像素點為（x，y），其梯度方向是0°，梯度值為G（x，y），那么我們就需要比 較G（x，y）與兩個相鄰像素的梯度值：G（x-1，y）和G（x+1，y）。如果G（x，y）是三個值里面最 大的，就保留該像素值，否則將其抑制為零。

????????并且如果梯度方向不是0°、45°、90°、135°這種特定角度，那么就要用到插值算法來計算當前像素點在 其方向上進行插值的結果了，然后進行比較并判斷是否保留該像素點。這里使用的是單線性插值，通過 A1和A2兩個像素點獲得dTmp1與dTmp2處的插值，然后與中心點C進行比較。具體的插值算法請參考圖 像旋轉實驗。

四、 雙閾值篩選

????????經過非極大值抑制之后，我們還需要設置閾值來進行篩選，當閾值設的太低，就會出現假邊緣，而閾值 設的太高，一些較弱的邊緣就會被丟掉，因此使用了雙閾值來進行篩選，推薦高低閾值的比例為2：1到 3：1之間

????????當某一像素位置的幅值超過最高閾值時，該像素必是邊緣像素；當幅值低于最低像素時，該像素必不是 邊緣像素；幅值處于最高像素與最低像素之間時，如果它能連接到一個高于閾值的邊緣時，則被認為是 邊緣像素，否則就不會被認為是邊緣。

????????也就是說，上圖中的A和C是邊緣，B不是邊緣。因為C雖然不超過 最高閾值，但其與A相連，所以C就是邊緣。

????????具體來說，對于非極大值抑制之后的圖像來說，設置兩個閾值threshold1和threshold2，其中 threshold1是低閾值，threshold2是高閾值。然后遍歷圖像，把梯度值小于低閾值的點的梯度值設為 0，得到圖像1，把梯度值小于高閾值的點的梯度值設為0，得到圖像2。由于圖像2的閾值比較高，所以 其中會損失掉很多有用的圖像信息，而圖像1的閾值比較低，所以會保留很多的信息，包括真正的邊緣和虛假的邊緣。

????????那么我們就可以以圖像2為基礎，以圖像1為補充來連接圖像的邊緣，其具體步驟為：

?????????對圖像2進行遍歷，當遇到一個非零的像素點P時，記錄以P為開始的輪廓線，知道輪廓線的終點位 置Q。

?????????考察圖像1中與圖像2中的Q點位置對應的點S的8鄰近區域，如果在S點的8鄰近區域內有非零像素存 在，就將其作為邊界點放入圖像2中作為點R。然后再從點R開始重復第一步，直到在圖像1和圖像2 中都無法繼續為止。

?????????當完成對包含點P的輪廓線的尋找之后，將這條輪廓線標為已尋找，然后接著尋找下一條輪廓，就 是重復第1步、第2步、第3步，直到圖像2中找不到新的輪廓為止。

????????經過篩選之后的所保存下來的點就是我們圖像中的邊緣點了

五、圖像邊緣檢測?

5.1、有二值化

導入模塊

import cv2

輸入圖像

img=cv2.imread('lenda01.png')

灰度化

img_gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

二值化

ret1,img_threshold1=cv2.threshold(img_gray,127,255,cv2.THRESH_BINARY)

高斯濾波

img_Guss1=cv2.GaussianBlur(img_threshold1,(5,5),sigmaX=1.5)

梯度與方向

非極大值抑制

雙閾值篩選

img_Canny1=cv2.Canny(img_Guss1,122,127,L2gradient=True)

輸出圖像

cv2.imshow('img',img)
cv2.imshow('img_Canny1',img_Canny1)
cv2.waitKey(0)

完整代碼?

import cv2  img = cv2.imread('lenda01.png')  # 將圖像從BGR顏色空間轉換為灰度圖像  
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  # 使用全局閾值進行二值化處理  
#   - ret1:  計算得到的閾值 (127)  
#   - img_threshold1:  二值化后的圖像，像素值大于127設置為255，否則設置為0  
ret1, img_threshold1 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY)  # 使用 Otsu's 閾值法進行二值化處理，并進行反轉  
#   - ret2:  Otsu's算法計算得到的閾值  
#   - img_threshold2:  二值化后的圖像，像素值小于閾值設置為255，否則設置為0  
ret2, img_threshold2 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_OTSU + cv2.THRESH_BINARY_INV)  # 對二值化后的圖像進行高斯模糊處理，以減少噪聲  
#   - img_threshold1:  輸入圖像（二值化后的圖像）  
#   - (5, 5):  高斯核的大小  
#   - sigmaX=1.5:  X方向上的高斯核標準差  
img_Guss1 = cv2.GaussianBlur(img_threshold1, (5, 5), sigmaX=1.5)  # 使用 Canny 邊緣檢測算法提取圖像的邊緣  
#   - img_Guss1:  輸入圖像（高斯模糊后的二值化圖像）  
#   - ret2:  低閾值，用于邊緣檢測的閾值下限 (這里使用Otsu算法計算得到的閾值)  
#   - ret1:  高閾值，用于邊緣檢測的閾值上限 (這里使用固定閾值127)  
#   - L2gradient=True:  使用 L2 范數計算圖像梯度，更準確  
img_Canny1 = cv2.Canny(img_Guss1, ret2, ret1, L2gradient=True)  # 顯示原始圖像  
cv2.imshow('img', img)  
# 顯示 Canny 邊緣檢測后的圖像  
cv2.imshow('img_Canny1', img_Canny1)  
# 等待用戶按下鍵盤上的任意鍵  
cv2.waitKey(0)  

5.2、無二值化?

import cv2img = cv2.imread('lenda01.png')# 將圖像從BGR顏色空間轉換為灰度圖像
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 使用全局閾值進行二值化處理
#   - ret1:  計算得到的閾值 (127)
#   - img_threshold1:  二值化后的圖像，像素值大于127設置為255，否則設置為0
ret1, img_threshold1 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY)# 使用 Otsu's 閾值法進行二值化處理，并進行反轉
#   - ret2:  Otsu's算法計算得到的閾值
#   - img_threshold2:  二值化后的圖像，像素值小于閾值設置為255，否則設置為0
ret2, img_threshold2 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_OTSU + cv2.THRESH_BINARY_INV)# 對灰度圖像進行高斯模糊處理，以減少噪聲
#   - (5, 5):  高斯核的大小
#   - sigmaX=1.5:  X方向上的高斯核標準差
img_Guss2 = cv2.GaussianBlur(img_gray, (5, 5), sigmaX=1.5)# 使用 Canny 邊緣檢測算法提取圖像的邊緣
#   - img_Guss2:  輸入圖像（高斯模糊后的灰度圖像）
#   - ret2:  低閾值，用于邊緣檢測的閾值下限
#   - ret1:  高閾值，用于邊緣檢測的閾值上限
#   - L2gradient=True:  使用 L2 范數計算圖像梯度，更準確
img_Canny2 = cv2.Canny(img_Guss2, ret2, ret1, L2gradient=True)# 顯示原始圖像
cv2.imshow('img', img)
# 顯示 Canny 邊緣檢測后的圖像
cv2.imshow('img_Canny2', img_Canny2)
# 等待用戶按下鍵盤上的任意鍵
cv2.waitKey(0)
```

六、庫函數

Canny()

使用 Canny 算法查找圖像中的邊緣

該函數在輸入圖像中查找邊緣，并使用 Canny 算法在輸出映射邊緣中標記它們。threshold1 和 threshold2 之間的最小值用于 Edge 鏈接。最大值用于查找強邊緣的初始分段。查看?http://en.wikipedia.org/wiki/Canny_edge_detector

cv.Canny(	image, threshold1, threshold2[, edges[, apertureSize[, L2gradient]]]	) ->	edges
cv.Canny(	dx, dy, threshold1, threshold2[, edges[, L2gradient]]	) ->	edges

方法	描述
image	8 位輸入圖像。
edges	輸出邊緣映射;單通道 8 位圖像，其大小與 圖像 相同。
threshold1	磁滯過程的第一個閾值。
threshold2	滯后程序的第二個閾值。
apertureSize	孔徑大小。
L2gradient
dx	輸入圖像的 16 位 x 導數（CV_16SC1 或 CV_16SC3）
dy	輸入圖像的 16 位 y 導數（與 dx 類型相同）。