Детектор Канни¶

Детектор Канни — это один из наиболее распространённых алгоритмов обнаружения границ на изображениях, разработанный Джоном Канни в 1986 году. Алгоритм предназначен для выделения резких перепадов яркости (контуров) на цифровых изображениях и считается эталонным в области компьютерного зрения и обработки изображений благодаря своей высокой точности, низкой чувствительности к шуму и способности выделять тонкие, непрерывные линии.

¶История

Джон Канни (John Canny) — учёный в области компьютерных наук, профессор Калифорнийского университета в Беркли. В 1986 году он опубликовал статью «A Computational Approach to Edge Detection», в которой предложил новый метод, удовлетворяющий трём ключевым критериям:

• Низкая частота ошибок — алгоритм должен находить все реальные границы и не создавать ложных.
• Хорошая локализация — найденные границы должны быть максимально близки к истинным.
• Минимальный отклик — на одну границу должно приходиться только одно обнаружение, без множественных дублирующих линий.

До появления детектора Канни использовались более простые операторы (например, Робертса, Собеля, Прюитт), которые давали либо слишком толстые, либо разорванные границы, либо были чувствительны к шуму. Метод Канни быстро стал стандартом и остаётся таковым по сей день, несмотря на появление более сложных нейросетевых подходов.

¶Этапы работы алгоритма

Детектор Канни состоит из нескольких последовательных шагов, каждый из которых решает определённую задачу.

¶Сглаживание изображения (удаление шума)

Первым этапом изображение свёртывается с гауссовым фильтром. Это необходимо для подавления высокочастотного шума, который может быть ошибочно принят за границу. Размер ядра гауссова фильтра (обычно 5×5 или 7×7) и стандартное отклонение (σ) выбираются пользователем. Чем больше σ, тем сильнее размытие и тем меньше мелких деталей будет найдено.

¶Вычисление градиента

После сглаживания для каждого пикселя вычисляются частные производные по осям X и Y (обычно с помощью оператора Собеля). На основе этих производных рассчитываются:

• Величина градиента (магнитуда) — показывает силу перепада яркости.
• Направление градиента — показывает, в какую сторону направлен наибольший перепад (перпендикулярно границе).

Направление градиента округляется до одного из четырёх основных направлений: 0°, 45°, 90° или 135°.

¶Подавление немаксимумов (Non-maximum suppression)

Этот этап нужен для того, чтобы сделать границы тонкими (толщиной в один пиксель). Для каждого пикселя проверяется, является ли его магнитуда максимальной в направлении градиента. Если пиксель не является локальным максимумом, его значение обнуляется. Таким образом, остаются только «гребни» границ.

¶Двойная пороговая фильтрация (Double thresholding)

На этом этапе все пиксели, оставшиеся после подавления немаксимумов, классифицируются по трём категориям в зависимости от двух порогов — нижнего (low threshold) и верхнего (high threshold):

• Сильные границы — пиксели, магнитуда которых превышает верхний порог. Они считаются достоверными границами и сохраняются.
• Слабые границы — пиксели, магнитуда которых находится между нижним и верхним порогом. Они считаются потенциальными границами.
• Фон — пиксели, магнитуда которых ниже нижнего порога. Они отбрасываются.

¶Трассировка границ с гистерезисом (Edge tracking by hysteresis)

Заключительный этап решает, какие из слабых границ являются истинными, а какие — шумом. Истинными считаются только те слабые пиксели, которые соединены с сильными границами (через цепочку других слабых пикселей). Изолированные слабые пиксели отбрасываются. Этот подход позволяет соединять разорванные участки границ, не добавляя ложных контуров.

¶Параметры и настройка

Работа детектора Канни сильно зависит от выбора трёх основных параметров:

• Размер ядра гауссова фильтра и σ — влияют на степень сглаживания. Для изображений с сильным шумом требуется большее σ, но это может привести к потере мелких деталей.
• Нижний порог — определяет чувствительность к слабым перепадам. Слишком низкое значение приводит к появлению множества ложных границ, слишком высокое — к пропуску реальных границ.
• Верхний порог — определяет, какие перепады считаются достоверными. Обычно рекомендуется соотношение верхнего порога к нижнему как 2:1 или 3:1.

В большинстве библиотек компьютерного зрения (например, OpenCV) реализована функция Canny(), которая принимает эти параметры. Подбор оптимальных значений часто требует экспериментальной настройки под конкретную задачу.

¶Преимущества и недостатки

¶Преимущества

• Высокая точность — алгоритм находит большинство реальных границ и редко создаёт ложные.
• Хорошая локализация — найденные границы имеют толщину в один пиксель и расположены точно на перепаде яркости.
• Устойчивость к шуму — благодаря предварительному сглаживанию и двойной пороговой фильтрации.
• Связность границ — гистерезис позволяет соединять разорванные линии, что важно для последующего анализа формы объектов.

¶Недостатки

• Чувствительность к параметрам — неправильный выбор порогов или σ может сильно ухудшить результат.
• Вычислительная сложность — по сравнению с простыми операторами (Собель, Превитт) детектор Канни требует больше ресурсов, хотя для современных компьютеров это не является проблемой.
• Зависимость от масштаба — алгоритм плохо работает на изображениях с объектами сильно разного размера без предварительной обработки.
• Не выделяет текстуры — детектор Канни находит только резкие перепады яркости, но не различает текстурные области.

¶Применение

Детектор Канни широко используется в различных областях компьютерного зрения и обработки изображений:

• Сегментация изображений — выделение контуров объектов для последующего разделения изображения на области.
• Распознавание объектов — контуры служат основой для выделения признаков формы (например, в системах поиска по изображению).
• Медицинская диагностика — выделение границ органов или патологий на рентгеновских снимках, МРТ и КТ.
• Робототехника и автономное вождение — обнаружение дорожной разметки, препятствий и пешеходов.
• Обработка документов — выделение линий, таблиц и текста на отсканированных изображениях.
• Фотограмметрия и 3D-реконструкция — построение карт глубины и стереозрения.
• Компьютерная графика — создание стилизованных изображений (эффект «карандашного рисунка»).

¶Сравнение с другими методами

• Оператор Собеля — проще и быстрее, но даёт толстые, размытые границы и чувствителен к шуму.
• Оператор Лапласа — находит границы как пересечения нуля, но очень чувствителен к шуму и часто создаёт двойные линии.
• Детектор границ на основе глубокого обучения (например, HED, RCF) — более точны и устойчивы к сложным сценам, но требуют больших вычислительных ресурсов и обучающих данных. Детектор Канни остаётся предпочтительным для задач, где важна скорость и простота реализации.

¶Интересные факты

• Алгоритм Канни был разработан в рамках докторской диссертации Джона Канни, которая стала одной из самых цитируемых работ в области компьютерного зрения.
• Первоначально метод был реализован на языке программирования Lisp, а затем портирован на C и другие языки.
• В OpenCV функция Canny() входит в состав модуля imgproc и является одной из самых часто используемых функций библиотеки.
• Существуют модификации детектора Канни, например, адаптивный выбор порогов на основе гистограммы изображения или использование цветовых градиентов.

¶Источники

• Canny, J. (1986). A Computational Approach to Edge Detection. IEEE Transactions on Pattern Analysis and Machine Intelligence, 8(6), 679–698.
• Bradski, G., & Kaehler, A. (2008). Learning OpenCV: Computer Vision with the OpenCV Library. O'Reilly Media.
• Gonzalez, R. C., & Woods, R. E. (2018). Digital Image Processing (4th ed.). Pearson.
• Документация OpenCV: Canny Edge Detection.