JavaCV 圖像邊緣檢測(cè) 之 Canny 算法

引言

在圖像處理領(lǐng)域，邊緣檢測(cè)是一項(xiàng)至關(guān)重要的任務(wù)。圖像中的邊緣包含了豐富的信息，例如物體的輪廓、區(qū)域的邊界等。通過(guò)準(zhǔn)確地檢測(cè)邊緣，我們可以進(jìn)一步對(duì)圖像進(jìn)行分析、識(shí)別和理解。

邊緣檢測(cè)算法有多種，其中 Canny邊緣檢測(cè)算法 以其精確性和可靠性而備受關(guān)注。Canny邊緣檢測(cè)算法的目標(biāo)是在盡可能減少噪聲影響的同時(shí)，準(zhǔn)確地檢測(cè)出圖像中的邊緣。它不像一些簡(jiǎn)單的邊緣檢測(cè)算法那樣容易受到噪聲干擾而產(chǎn)生虛假邊緣，也不會(huì)遺漏重要的邊緣信息。

在實(shí)際應(yīng)用中，Canny邊緣檢測(cè)廣泛應(yīng)用于計(jì)算機(jī)視覺(jué)、醫(yī)學(xué)圖像處理、工業(yè)檢測(cè)等眾多領(lǐng)域。例如，在計(jì)算機(jī)視覺(jué)的目標(biāo)識(shí)別任務(wù)中，準(zhǔn)確的邊緣檢測(cè)可以幫助我們更好地定位和識(shí)別目標(biāo)物體的形狀；在醫(yī)學(xué)圖像處理中，對(duì)X光、CT等圖像進(jìn)行邊緣檢測(cè)有助于醫(yī)生發(fā)現(xiàn)病變區(qū)域的輪廓；在工業(yè)檢測(cè)方面，可以用于檢測(cè)產(chǎn)品的外形缺陷等。

JavaCV是一個(gè)在Java平臺(tái)上用于計(jì)算機(jī)視覺(jué)的庫(kù)，它為我們?cè)?code>Java環(huán)境下實(shí)現(xiàn)Canny邊緣檢測(cè)提供了便利。通過(guò)JavaCV，我們可以輕松地將Canny邊緣檢測(cè)算法應(yīng)用到各種圖像處理項(xiàng)目中，充分發(fā)揮其優(yōu)勢(shì)。接下來(lái)，我們將詳細(xì)介紹如何使用JavaCV來(lái)實(shí)現(xiàn)Canny邊緣檢測(cè)。

Canny 邊緣檢測(cè)的原理

Canny 邊緣檢測(cè)是一種基于多階段算法的邊緣檢測(cè)方法，其目標(biāo)是找到圖像中強(qiáng)度變化最為顯著的位置，即邊緣。以下是 Canny 邊緣檢測(cè)的主要步驟和原理：

1. 高斯濾波

在進(jìn)行邊緣檢測(cè)之前，首先對(duì)圖像進(jìn)行高斯濾波。這一步的目的是減少噪聲對(duì)邊緣檢測(cè)的影響。高斯濾波是一種線(xiàn)性平滑濾波器，它通過(guò)對(duì)圖像中的每個(gè)像素點(diǎn)與其周?chē)南袼攸c(diǎn)進(jìn)行加權(quán)平均來(lái)實(shí)現(xiàn)平滑效果。權(quán)重是根據(jù)高斯分布函數(shù)確定的，離中心像素點(diǎn)越近的像素點(diǎn)權(quán)重越大，離中心像素點(diǎn)越遠(yuǎn)的像素點(diǎn)權(quán)重越小。

2. 計(jì)算梯度幅值和方向

接下來(lái)，通過(guò)使用一階偏導(dǎo)數(shù)的有限差分來(lái)近似計(jì)算圖像的梯度幅值和方向。梯度幅值表示圖像中像素點(diǎn)的強(qiáng)度變化程度，梯度方向表示強(qiáng)度變化的方向。具體來(lái)說(shuō)，對(duì)于圖像中的每個(gè)像素點(diǎn)，計(jì)算其在水平方向和垂直方向上的偏導(dǎo)數(shù)，然后根據(jù)這兩個(gè)偏導(dǎo)數(shù)計(jì)算出梯度幅值和方向。

3. 非極大值抑制

非極大值抑制是為了細(xì)化邊緣，只保留梯度方向上的局部最大值作為邊緣點(diǎn)。在這一步中，對(duì)于每個(gè)像素點(diǎn)，將其梯度幅值與沿梯度方向上的兩個(gè)相鄰像素點(diǎn)的梯度幅值進(jìn)行比較。如果該像素點(diǎn)的梯度幅值不是局部最大值，則將其置為 0，否則保持不變。這樣可以去除一些非邊緣點(diǎn)，使邊緣更加清晰。

4. 雙閾值檢測(cè)

最后，通過(guò)雙閾值檢測(cè)來(lái)確定最終的邊緣。設(shè)置一個(gè)高閾值和一個(gè)低閾值，高于高閾值的像素點(diǎn)確定為邊緣點(diǎn)，低于低閾值的像素點(diǎn)被排除，介于兩者之間的像素點(diǎn)如果與確定的邊緣點(diǎn)相連則也被視為邊緣點(diǎn)。這樣可以去除一些弱邊緣，同時(shí)保留一些強(qiáng)邊緣和與強(qiáng)邊緣相連的弱邊緣，使邊緣更加連續(xù)和準(zhǔn)確。

JavaCV 實(shí)現(xiàn) Canny 邊緣檢測(cè)的 Maven 依賴(lài)

為了在 Java 項(xiàng)目中使用 JavaCV 實(shí)現(xiàn) Canny 邊緣檢測(cè)，需要在項(xiàng)目的 pom.xml 文件中添加以下 Maven 依賴(lài)：

<dependency>
    <groupId>org.bytedeco</groupId>
    <artifactId>javacv-platform</artifactId>
    <version>1.5.7</version>
</dependency>

JavaCV 實(shí)現(xiàn) Canny 邊緣檢測(cè)的步驟

步驟一：圖像讀取

首先，我們需要讀取一張圖像。可以使用 JavaCV 中的 Imgcodecs 類(lèi)來(lái)實(shí)現(xiàn)圖像的讀取。以下是讀取圖像的代碼示例：

import org.opencv.core.Mat;
import org.opencv.imgcodecs.Imgcodecs;
public class CannyEdgeDetection {
    public static void main(String[] args) {
        // 讀取圖像
        Mat image = Imgcodecs.imread("input.jpg");
        if (image.empty()) {
            System.out.println("無(wú)法讀取圖像");
            return;
        }
    }
}

在上述代碼中，我們使用 Imgcodecs.imread() 方法讀取了一張名為 input.jpg 的圖像，并將其存儲(chǔ)在一個(gè) Mat 對(duì)象中。如果圖像讀取失敗，則輸出錯(cuò)誤信息并返回。

步驟二：高斯濾波

接下來(lái)，對(duì)圖像進(jìn)行高斯濾波。可以使用 JavaCV 中的 Imgproc 類(lèi)來(lái)實(shí)現(xiàn)高斯濾波。以下是對(duì)圖像進(jìn)行高斯濾波的代碼示例：

import org.opencv.core.Mat;
import org.opencv.imgcodecs.Imgcodecs;
import org.opencv.imgproc.Imgproc;
public class CannyEdgeDetection {
    public static void main(String[] args) {
        // 讀取圖像
        Mat image = Imgcodecs.imread("input.jpg");
        if (image.empty()) {
            System.out.println("無(wú)法讀取圖像");
            return;
        }
        // 高斯濾波
        Mat blurredImage = new Mat();
        Imgproc.GaussianBlur(image, blurredImage, new org.opencv.core.Size(5, 5), 0);
    }
}

在上述代碼中，我們首先創(chuàng)建了一個(gè)新的 Mat 對(duì)象 blurredImage，用于存儲(chǔ)濾波后的圖像。然后，使用 Imgproc.GaussianBlur() 方法對(duì)圖像進(jìn)行高斯濾波。該方法的參數(shù)分別為輸入圖像、輸出圖像、高斯核的大小和標(biāo)準(zhǔn)差。在這個(gè)例子中，我們使用了一個(gè)大小為 5x5 的高斯核，標(biāo)準(zhǔn)差為 0。

步驟三：計(jì)算梯度幅值和方向

計(jì)算圖像的梯度幅值和方向可以使用 JavaCV 中的 Imgproc 類(lèi)的 Sobel() 方法。以下是計(jì)算梯度幅值和方向的代碼示例：

import org.opencv.core.Mat;
import org.opencv.core.Size;
import org.opencv.imgcodecs.Imgcodecs;
import org.opencv.imgproc.Imgproc;
public class CannyEdgeDetection {
    public static void main(String[] args) {
        // 讀取圖像
        Mat image = Imgcodecs.imread("input.jpg");
        if (image.empty()) {
            System.out.println("無(wú)法讀取圖像");
            return;
        }
        // 高斯濾波
        Mat blurredImage = new Mat();
        Imgproc.GaussianBlur(image, blurredImage, new Size(5, 5), 0);
        // 計(jì)算梯度幅值和方向
        Mat gradientX = new Mat();
        Mat gradientY = new Mat();
        Imgproc.Sobel(blurredImage, gradientX, -1, 1, 0);
        Imgproc.Sobel(blurredImage, gradientY, -1, 0, 1);
        // 計(jì)算梯度幅值和方向
        Mat magnitude = new Mat();
        Mat direction = new Mat();
        Imgproc.cartToPolar(gradientX, gradientY, magnitude, direction);
    }
}

在上述代碼中，我們首先創(chuàng)建了兩個(gè)新的 Mat 對(duì)象 gradientX 和 gradientY，分別用于存儲(chǔ)水平方向和垂直方向上的梯度。然后，使用 Imgproc.Sobel() 方法分別計(jì)算水平方向和垂直方向上的梯度。該方法的參數(shù)分別為輸入圖像、輸出圖像、輸出圖像的深度、水平方向上的導(dǎo)數(shù)階數(shù)和垂直方向上的導(dǎo)數(shù)階數(shù)。在這個(gè)例子中，我們將輸出圖像的深度設(shè)置為 -1，表示與輸入圖像的深度相同。水平方向上的導(dǎo)數(shù)階數(shù)為 1，垂直方向上的導(dǎo)數(shù)階數(shù)為 0，表示計(jì)算水平方向上的梯度。同樣地，我們可以計(jì)算垂直方向上的梯度。

接下來(lái)，我們使用 Imgproc.cartToPolar() 方法計(jì)算梯度幅值和方向。該方法的參數(shù)分別為水平方向上的梯度、垂直方向上的梯度、輸出的梯度幅值和輸出的梯度方向。

步驟四：非極大值抑制

非極大值抑制可以使用 JavaCV 中的 Imgproc 類(lèi)的 Canny() 方法來(lái)實(shí)現(xiàn)。以下是進(jìn)行非極大值抑制的代碼示例：

import org.opencv.core.Mat;
import org.opencv.core.Size;
import org.opencv.imgcodecs.Imgcodecs;
import org.opencv.imgproc.Imgproc;
public class CannyEdgeDetection {
    public static void main(String[] args) {
        // 讀取圖像
        Mat image = Imgcodecs.imread("input.jpg");
        if (image.empty()) {
            System.out.println("無(wú)法讀取圖像");
            return;
        }
        // 高斯濾波
        Mat blurredImage = new Mat();
        Imgproc.GaussianBlur(image, blurredImage, new Size(5, 5), 0);
        // 計(jì)算梯度幅值和方向
        Mat gradientX = new Mat();
        Mat gradientY = new Mat();
        Imgproc.Sobel(blurredImage, gradientX, -1, 1, 0);
        Imgproc.Sobel(blurredImage, gradientY, -1, 0, 1);
        // 計(jì)算梯度幅值和方向
        Mat magnitude = new Mat();
        Mat direction = new Mat();
        Imgproc.cartToPolar(gradientX, gradientY, magnitude, direction);
        // 非極大值抑制
        Mat edges = new Mat();
        Imgproc.Canny(magnitude, edges, 50, 150);
    }
}

在上述代碼中，我們首先創(chuàng)建了一個(gè)新的 Mat 對(duì)象 edges，用于存儲(chǔ)非極大值抑制后的邊緣圖像。然后，使用 Imgproc.Canny() 方法進(jìn)行非極大值抑制。該方法的參數(shù)分別為輸入的梯度幅值圖像、輸出的邊緣圖像、低閾值和高閾值。在這個(gè)例子中，我們將低閾值設(shè)置為 50，高閾值設(shè)置為 150。

步驟五：雙閾值檢測(cè)

雙閾值檢測(cè)已經(jīng)在非極大值抑制的步驟中完成了，因?yàn)?Imgproc.Canny() 方法會(huì)自動(dòng)進(jìn)行雙閾值檢測(cè)。

案例分析與對(duì)比展示

為了更好地理解 Canny 邊緣檢測(cè)的效果，我們可以使用一張圖片進(jìn)行案例分析，并對(duì)比展示處理前后的圖像。

以下是一個(gè)完整的示例代碼，用于讀取一張圖片，進(jìn)行 Canny 邊緣檢測(cè)，并顯示處理前后的圖像：

import org.opencv.core.Mat;
import org.opencv.core.Size;
import org.opencv.core.Core;
import org.opencv.highgui.HighGui;
import org.opencv.imgcodecs.Imgcodecs;
import org.opencv.imgproc.Imgproc;
public class CannyEdgeDetection {
    public static void main(String[] args) {
        // 讀取圖像
        Mat image = Imgcodecs.imread("input.jpg");
        if (image.empty()) {
            System.out.println("無(wú)法讀取圖像");
            return;
        }
        // 高斯濾波
        Mat blurredImage = new Mat();
        Imgproc.GaussianBlur(image, blurredImage, new Size(5, 5), 0);
        // 計(jì)算梯度幅值和方向
        Mat gradientX = new Mat();
        Mat gradientY = new Mat();
        Imgproc.Sobel(blurredImage, gradientX, -1, 1, 0);
        Imgproc.Sobel(blurredImage, gradientY, -1, 0, 1);
        // 計(jì)算梯度幅值和方向
        Mat magnitude = new Mat();
        Mat direction = new Mat();
        Core.cartToPolar(gradientX, gradientY, magnitude, direction);
        // 非極大值抑制
        Mat edges = new Mat();
        Imgproc.Canny(magnitude, edges, 50, 150);
        // 保存邊緣檢測(cè)后的圖像
        Imgcodecs.imwrite("path/to/your/edge_detection_result.jpg", edges);
    }
}

在上述代碼中，我們首先讀取了一張名為 input.jpg 的圖片。然后，對(duì)圖像進(jìn)行了高斯濾波、計(jì)算梯度幅值和方向、非極大值抑制等操作，得到了邊緣檢測(cè)后的圖像。最后，使用 HighGui.imshow() 方法顯示原始圖像和邊緣檢測(cè)后的圖像，并使用 HighGui.waitKey() 方法等待用戶(hù)按下任意鍵退出程序。

以下是一張?jiān)紙D像和經(jīng)過(guò) Canny 邊緣檢測(cè)后的圖像對(duì)比：

原始圖像邊緣檢測(cè)后的圖像

從對(duì)比圖中可以看出，經(jīng)過(guò) Canny 邊緣檢測(cè)后，圖像中的邊緣更加清晰，物體的輪廓更加明顯。

總結(jié)

本文詳細(xì)介紹了 JavaCV 圖像邊緣檢測(cè)之 Canny 邊緣檢測(cè)算法。首先闡述了 Canny 邊緣檢測(cè)的原理，包括高斯濾波、計(jì)算梯度幅值和方向、非極大值抑制以及雙閾值檢測(cè)等關(guān)鍵步驟。然后介紹了在 Java 項(xiàng)目中使用 JavaCV 實(shí)現(xiàn) Canny 邊緣檢測(cè)的 Maven 依賴(lài)。接著，通過(guò)詳細(xì)的代碼示例展示了 Canny 邊緣檢測(cè)的每個(gè)關(guān)鍵步驟，并對(duì)代碼進(jìn)行了注釋說(shuō)明。最后，通過(guò)案例分析和圖像對(duì)比展示了 Canny 邊緣檢測(cè)的實(shí)際效果。通過(guò)本文的學(xué)習(xí)，讀者可以掌握 Canny 邊緣檢測(cè)算法的原理和實(shí)現(xiàn)方法，并能夠在實(shí)際項(xiàng)目中應(yīng)用這一技術(shù)來(lái)提取圖像中的邊緣信息。

參考資料文獻(xiàn)

OpenCV 官方文檔

JavaCV 官方文檔

數(shù)字圖像處理（第四版）

到此這篇關(guān)于JavaCV 圖像邊緣檢測(cè) 之 Canny 算法的文章就介紹到這了,更多相關(guān)JavaCV 圖像邊緣檢測(cè)內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！