改进 Canny 边缘检测答案

【问题标题】：Improving Canny Edge Detection改进 Canny 边缘检测
【发布时间】：2020-05-10 14:53:11
【问题描述】：

当我在图纸上运行 cv.Canny 边缘检测器时，它会检测到数百个密集填充在阴影区域中的小边缘。我怎样才能让它停止这样做，同时仍然检测到眼睛和鼻子等较轻的特征？我也试过模糊。

这是一个示例，与 online photo tool 相比。

Original image.
Output of online tool.
My python program

这是我的代码：

def outline(image, sigma = 5):
    image = cv.GaussianBlur(image, (11, 11), sigma)
    ratio = 2
    lower = .37 * 255
    upper = lower * ratio
    outlined = cv.Canny(image, lower, upper)

    return outlined

我该如何改进它？

【问题讨论】：

标签： python opencv image-processing

【解决方案1】：

这是在 Python/OpenCV 中执行此操作的一种方法。

Morphologic edge out 是蒙版和扩张蒙版之间的绝对差异

读取输入
转换为灰色
阈值（作为掩码）
扩大阈值图像
计算绝对差
将其极性反转为边缘图像
保存结果

输入：

import cv2
import numpy as np

# read image
img = cv2.imread("cartoon.jpg")

# convert to gray
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# threshold
thresh = cv2.threshold(gray, 180, 255, cv2.THRESH_BINARY)[1]

# morphology edgeout = dilated_mask - mask
# morphology dilate
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5,5))
dilate = cv2.morphologyEx(thresh, cv2.MORPH_DILATE, kernel)

# get absolute difference between dilate and thresh
diff = cv2.absdiff(dilate, thresh)

# invert
edges = 255 - diff

# write result to disk
cv2.imwrite("cartoon_thresh.jpg", thresh)
cv2.imwrite("cartoon_dilate.jpg", dilate)
cv2.imwrite("cartoon_diff.jpg", diff)
cv2.imwrite("cartoon_edges.jpg", edges)

# display it
cv2.imshow("thresh", thresh)
cv2.imshow("dilate", dilate)
cv2.imshow("diff", diff)
cv2.imshow("edges", edges)
cv2.waitKey(0)

阈值图像：

扩张的阈值图像：

不同的图像：

边缘图像：

【讨论】：

谢谢！我认为精明的边缘检测是最好的选择。它在其他示例上运行良好。为什么你认为你的方法在这个上比 canny 效果更好？您是否希望它在某种图像上效果更好，或者您认为与 cv2.canny 相比，您的方法总体上会更好？
在灰色命令和阈值命令median = cv2.medianBlur(gray, 3)之间添加中值过滤。或者使用任何其他不会影响边缘检测的良好噪声过滤过程，否则您可能需要修改膨胀量。
如果你愿意使用 Python Wand 而不是 OpenCV，那么 Python Wand 是基于 ImageMagick 的，它还有其他的噪声过滤过程。 OpenCV 中另一种可能的方法是使用 kmeans 聚类而不是简单的阈值化。但我还没有测试过。
我不相信你可以改变 Canny 的行为来解决这个问题。
您的其他工具会为该额外图像生成什么？该其他站点使用其他一些基于卷积的方法。但我无法遵循他们的编码风格。

【解决方案2】：

通过将内核维度从 (11, 11) 更改为 (0, 0)，我成功地使 cv.Canny 给出了令人满意的结果，允许内核由 sigma 动态确定。通过这样做并调整 sigma，我得到了很好的结果。此外，cv.imshow 会扭曲图像，所以当我使用它进行测试时，结果看起来比实际差很多。

【讨论】：