檢測是計算機(jī)視覺任務(wù)中的主要任務(wù)之一，而且應(yīng)用很廣泛。檢測技術(shù)可以幫助人類檢測那些容易被肉眼忽略的錯誤；也可以”幫助“自動駕駛汽車感知空間信息。無疑自動化的檢測技術(shù)的廣泛應(yīng)用將為我們帶來效率與安全。

本篇是這個系列的第三篇。整個系列目錄如下：

理解顏色模型與在圖像上繪制圖形（圖像處理基本操作）。

基本的圖像處理與濾波技術(shù)。

從特征檢測到人臉檢測。

輪廓檢測

之前已經(jīng)介紹了幾種顏色模型以及如何在圖像上繪制圖形。還介紹了常用的圖像處理技術(shù)，如：模糊、梯度、腐蝕、擴(kuò)張等。本篇將把這些技術(shù)應(yīng)用到圖像特征檢測和人臉檢測中。

本篇會用到本系列前兩篇中介紹的圖像處理技術(shù)。

邊緣檢測 （Edge Detection）

邊緣檢測本質(zhì)上是檢測圖像中變化劇烈或者不連續(xù)的像素點。將這些像素點連接線段即為邊。實際上，在上一篇文章中我們已經(jīng)介紹了一種基礎(chǔ)的邊緣檢測技術(shù)：使用Sobel算子和拉普拉斯算子進(jìn)行梯度濾波。通過計算圖像像素值在給定方向上的導(dǎo)數(shù)，梯度濾波器即可以描繪出圖像的邊緣從而實現(xiàn)邊緣檢測。

Canny檢測算法是另外一種圖像邊緣檢測技術(shù)。而且是目前最流行的邊緣檢測技術(shù)之一，分為以下四個步驟實現(xiàn)：降噪、判斷梯度及梯度方向、非最大值抑制和滯后閾值化處理。

首先通過高斯模糊技術(shù)實現(xiàn)降噪。然后，使用sobel算子得到圖像梯度。接著使用得到的梯度，檢測每一個像素點與其中周圍的像素點，確認(rèn)這個像素點是不是這些局部像素點中的局部最大值。如果不是局部最大值，則將這個點的像素值置為零（完全缺失，黑色）。這個過程即為非極大值抑制。

如果這個點被確認(rèn)為局部最大值，則進(jìn)行下一步即第四個步驟。第四步是決定之前檢測出的邊是否為真正邊緣的最后一個決策階段。這一決策階段被稱為滯后閾值化，它需要兩個閾值（“較小閾值”、“較大閾值”）來進(jìn)行決策。

給定兩個不同的閾值，我們可以得到三個閾值化區(qū)間。因此，如果這個點的像素值大于兩個閾值中的“較大閾值”則被判定為邊緣點。相對地，如果其小于所設(shè)定的兩個閾值參數(shù)中的“較小閾值”則被認(rèn)定為非邊緣點，即會被丟棄。另外，如果這個點的像素值位于兩個參數(shù)閾值之間則是跟據(jù)其是否與”確認(rèn)邊緣點“之間有連接來決定是否丟棄，遵循有連接則不丟棄的原則。

img ＝ cv2．imread（＇images／giraffe．jpg＇）

img ＝ cv2．cvtColor（img， cv2．COLOR＿BGR2RGB）

＃ Canny detection without blurring

edges ＝ cv2．Canny（image＝img， threshold1＝127， threshold2＝127）

plt．figure（figsize ＝ （20， 20））

plt．subplot（1， 2， 1）； plt．imshow（img）

plt．a(chǎn)xis（＇off＇）

plt．subplot（1， 2， 2）； plt．imshow（edges）

plt．a(chǎn)xis（＇off＇）

上方僅使用了一個閾值中值作判斷，也沒有進(jìn)行圖像模糊處理，邊緣檢測結(jié)果不是很理想。接下來讓我們嘗試不同的參數(shù)閾值設(shè)定：

＃ Set the lower and upper threshold

med＿val ＝ np．median（img）

lower ＝ int（max（0， ．7＊med＿val））

upper ＝ int（min（255， 1．3＊med＿val））

為了更直觀的比較模糊化對圖像邊緣檢測的影響，將使用兩種不同尺寸的卷積核（5x5）與（9x9）。設(shè)定兩種閾值參數(shù)，一種在上述閾值設(shè)定的基礎(chǔ)上將“較大閾值”增加100。也就意味著我們會得到四種不同的組合結(jié)果圖。如下：

＃ Blurring with ksize ＝ 5 

img＿k5 ＝ cv2．blur（img， ksize ＝ （5， 5））

＃ Canny detection with different thresholds

edges＿k5 ＝ cv2．Canny（img＿k5， threshold1 ＝ lower， threshold2 ＝ upper）

edges＿k5＿2 ＝ cv2．Canny（img＿k5， lower， upper＋100）

＃ Blurring with ksize ＝ 9 

img＿k9 ＝ cv2．blur（img， ksize ＝ （9， 9））

＃ Canny detection with different thresholds

edges＿k9 ＝ cv2．Canny（img＿k9， lower， upper）

edges＿k9＿2 ＝ cv2．Canny（img＿k9， lower， upper＋100）

＃ Plot the images

images ＝ ［edges＿k5， edges＿k5＿2， edges＿k9， edges＿k9＿2］

plt．figure（figsize ＝ （20， 15））

for i in range（4）：

plt．subplot（2， 2， i＋1）

plt．imshow（images［i］）

plt．a(chǎn)xis（＇off＇）

plt．show（）

正如上圖所示，模糊化可以幫助減少噪聲。我們在使用卷積核尺寸為（9x9）時得到了更好的結(jié)果。而且，在使用更大的“較大閾值”時得到了更好的邊緣檢測結(jié)果。