1. 源由

边缘检测是一种图像处理技术，用于识别图像中对象或区域的边界（边缘）。边缘是与图像相关联的最重要的特征之一。

像素强度的突然变化是边缘的特征，在相邻像素中找到这种变化，就找到了边缘，通过图像的边缘了解图像的基本结构。因此，计算机视觉处理应用中广泛使用边缘检测。

接下来，让我们使用OpenCV中提供的两种重要边缘检测算法进行探索：

• Sobel边缘检测
• Canny边缘检测

2. edge_detection应用Demo

011_edge_detection是OpenCV通过两种边缘检测技术展示的示例程序。

2.1 C++应用Demo

C++应用Demo工程结构：

011_edge_detection/CPP$ tree .
.
├── CMakeLists.txt
├── edge_detection.cpp
└── test.jpg0 directories, 3 files

确认OpenCV安装路径：

$ find /home/daniel/ -name "OpenCVConfig.cmake"
/home/daniel/OpenCV/installation/opencv-4.9.0/lib/cmake/opencv4/
/home/daniel/OpenCV/opencv/build/OpenCVConfig.cmake
/home/daniel/OpenCV/opencv/build/unix-install/OpenCVConfig.cmake$ export OpenCV_DIR=/home/daniel/OpenCV/installation/opencv-4.9.0/lib/cmake/opencv4/

C++应用Demo工程编译执行：

$ mkdir build
$ cd build
$ cmake ..
$ cmake --build . --config Release
$ cd ..
$ ./build/edge_detection

2.2 Python应用Demo

Python应用Demo工程结构：

011_edge_detection/Python$ tree .
.
├── edge_detection.py
├── requirements.txt
└── test.jpg0 directories, 3 files

Python应用Demo工程执行：

$ workoncv-4.9.0
$ python edge_detection.py

3. 重点逐步分析

3.1 GaussianBlur去噪

严重的噪声对于边缘检测是非常不利的因素之一。因此，在边缘检测过程之前，先进行一个去噪的动作。

这里采用了一个3x3的矩阵进行 GaussianBlur(src, dst, ksize, sigmaX, sigmaY)去噪。

C++:

// Blur the image for better edge detection
Mat img_blur;
GaussianBlur(img, img_blur, Size(3,3), SigmaX=0, SigmaY=0);

Python:

# Blur the image for better edge detection
img_blur = cv2.GaussianBlur(img,(3,3), SigmaX=0, SigmaY=0) 

3.2 Sobel边缘检测

Sobel边缘检测的主要依据就是像素灰度微分变化出现极值，如下图所示：

在计算机二维运算过程中$A$表示像素矩阵数据，用$G_x$代表$X$方向上的微分，$G_y$代表$Y$方向上的微分，$G$代表图像总的微分值。

微分变化方向可以通过三角函数获取$\theta$：

3.2.1 SobelX方向边缘检测

C++:

Sobel(img_blur, sobelx, CV_64F, 1, 0, 5);

Python:

sobelx = cv2.Sobel(src=img_blur, ddepth=cv2.CV_64F, dx=1, dy=0, ksize=5) # Sobel Edge Detection on the X axis

3.2.2 SobelY方向边缘检测

C++:

Sobel(img_blur, sobely, CV_64F, 0, 1, 5);

Python:

sobely = cv2.Sobel(src=img_blur, ddepth=cv2.CV_64F, dx=0, dy=1, ksize=5) # Sobel Edge Detection on the Y axis

3.2.3 SobelXY方向边缘检测

C++:

Sobel(img_blur, sobelxy, CV_64F, 1, 1, 5);

Python:

sobelxy = cv2.Sobel(src=img_blur, ddepth=cv2.CV_64F, dx=1, dy=1, ksize=5) # Combined X and Y Sobel Edge Detection

3.3 Canny边缘检测

Canny边缘检测是当今使用的最流行的边缘检测方法之一，因为它非常稳健和灵活。

除了前面两个阶段：

1. Noise Reduction
2. Calculating the Intensity Gradient of the Image

增加两个新增阶段：
3. Suppression of False Edges

如果当前像素的梯度大小大于其相邻像素，则保持不变。否则，当前像素的大小将设置为零。正如你所看到的，与老虎皮毛相关的许多“边缘”都被显著地抑制了。

4. Hysteresis Thresholding

• 如果梯度幅度值高于较大的阈值，则这些像素与实体边缘相关联，并被包括在最终的边缘图中。
• 如果梯度幅度值低于较小的阈值，则像素被抑制并从最终边缘图中排除。
• 梯度幅度在这两个阈值之间的所有其他像素都被标记为“弱”边缘（即，它们成为被包括在最终边缘图中的候选者）。
• 如果“弱”像素连接到与实心边相关联的像素，则它们也会包含在最终的边贴图中。

C++:

// Canny edge detection
Mat edges;
Canny(img_blur, edges, 100, 200, 3, false);

Python:

# Canny Edge Detection
edges = cv2.Canny(image=img_blur, threshold1=100, threshold2=200) 

4. 总结

本文通过Sobel和Canny方法对图像进行边缘检测操作，从原理上讲解了Canny边缘检测实际上是如何使用Sobel算子来计算数值导数的。

Canny算法的稳健和灵活，甚至使用非最大值抑制和滞后阈值来最大限度地发挥优势，使得Canny边缘检测是执行边缘检测的首选和最广泛使用的方法。

• Sobel(src, ddepth, dx, dy))

• src input image.
• ddepth output image depth, see combinations; in the case of 8-bit input images it will result in truncated derivatives.
• dx order of the derivative x.
• dy order of the derivative y.

• Canny(image, threshold1, threshold2)

• image 8-bit input image.
• edges output edge map; single channels 8-bit image, which has the same size as image .
• threshold1 first threshold for the hysteresis procedure.
• threshold2 second threshold for the hysteresis procedure.

5. 参考资料

【1】ubuntu22.04@laptop OpenCV Get Started
【2】ubuntu22.04@laptop OpenCV安装
【3】ubuntu22.04@laptop OpenCV定制化安装

6. 补充

学习是一种过程，对于前面章节学习讨论过的，就不在文中重复了。

有兴趣了解更多的朋友，请从《ubuntu22.04@laptop OpenCV Get Started》开始，一个章节一个章节的了解，循序渐进。