OpenCV 尋找邊緣：Canny、Sobel 極座標與分水嶺

Canny 邊緣檢測是什麼？

Canny 邊緣檢測是一種從圖像中提取結構邊界的方法。Canny 可以減少資料量，同時保留對物體輪廓有用的資訊。

Canny 邊緣檢測的一般標準包括：

• 錯誤率低，盡可能準確捕捉圖像中的邊緣。
• 邊緣點應準確定位在邊緣中心。
• 同一條邊緣應只標記一次，並降低雜訊造成的假邊緣。

簡單範例：

```python

import cv2 as cv

from matplotlib import pyplot as plt

img = cv.imread('messi5.jpg', 0)

edges = cv.Canny(img, 100, 200)

plt.subplot(121), plt.imshow(img, cmap='gray')

plt.title('Original Image'), plt.xticks([]), plt.yticks([])

plt.subplot(122), plt.imshow(edges, cmap='gray')

plt.title('Edge Image'), plt.xticks([]), plt.yticks([])

plt.show()

```

如何用 Sobel 與 cartToPolar 取得邊緣方向？

Sobel 可以計算水平與垂直梯度，`cartToPolar` 可以把梯度轉成 magnitude 與 angle。這適合需要分析邊緣方向的影像任務。

範例：

```python

import cv2

gray = cv2.imread('./unknow/img_2022-12-15_18-47-31_1.jpg')

gray = cv2.cvtColor(gray, cv2.COLOR_BGR2GRAY)

gray = gray / 255.0

sobelx = cv2.Sobel(gray, cv2.CV_64F, 1, 0, ksize=1)

sobely = cv2.Sobel(gray, cv2.CV_64F, 0, 1, ksize=1)

magnitude, angle = cv2.cartToPolar(sobelx, sobely, angleInDegrees=True)

cv2.imshow("magnitude", magnitude)

cv2.imshow("angle", angle)

cv2.imshow("gray", gray)

```

原文中特別提醒：使用 `cv.CV_64F` 通常能得到較好的梯度結果。若需要 `CV_8U`，可以先用 `CV_64F` 計算，再取絕對值並轉型。

```python

sobelx64f = cv.Sobel(img, cv.CV_64F, 1, 0, ksize=5)

abs_sobel64f = np.absolute(sobelx64f)

sobel_8u = np.uint8(abs_sobel64f)

```

分水嶺演算法如何做影像分割？

OpenCV watershed 是基於標記的分水嶺演算法。開發者先標記確定前景、確定背景與未知區域，再讓演算法更新物件邊界。

分水嶺流程通常包含：

1. 圖像二值化。
2. 用 morphological opening 去除雜訊。
3. dilate 找確定背景。
4. distance transform 找確定前景。
5. 背景減前景取得未知區域。
6. connected components 產生 markers。
7. `cv2.watershed()` 更新邊界。

範例：

```python

import cv2

import numpy

img = cv2.imread("image/water_coins.jpg")

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

ret, thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU)

kernel = numpy.ones((3, 3), dtype=numpy.uint8)

opening = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations=2)

sure_bg = cv2.dilate(opening, kernel, iterations=3)

dist_transform = cv2.distanceTransform(opening, 1, 5)

ret, sure_fg = cv2.threshold(

dist_transform, 0.5 * dist_transform.max(), 255, cv2.THRESH_BINARY

)

sure_fg = numpy.uint8(sure_fg)

unknown = cv2.subtract(sure_bg, sure_fg)

ret, markers = cv2.connectedComponents(sure_fg)

markers = markers + 1

markers[unknown == 255] = 0

markers = cv2.watershed(img, markers)

img[markers == -1] = (0, 0, 255)

```

如何用顏色遮罩輔助 watershed？

顏色遮罩可以先把白色、紅色、黑色區域標記出來，再交給 watershed 做邊界分割。這種方法適合目標顏色明確的圖片。

原文保留了一段自己的嘗試：先轉 HSV，再用 `cv.inRange()` 建立白色、紅色與黑色遮罩，最後合成前景並套用 watershed。

```python

import numpy as np

import cv2 as cv

img = cv.imread('./img_2022-12-15_18-47-31_1.jpg')

imageHSV = cv.cvtColor(img, cv.COLOR_BGR2HSV)

lower_white = np.array([0, 0, 220], dtype=np.uint8)

upper_white = np.array([180, 130, 255], dtype=np.uint8)

thresh = cv.inRange(imageHSV, lower_white, upper_white)

kernel = np.ones((3, 3), np.uint8)

opening = cv.morphologyEx(thresh, cv.MORPH_OPEN, kernel, iterations=2)

sure_bg = cv.dilate(opening, kernel, iterations=3)

red_lower = np.array([0, 30, 100], dtype=np.uint8)

red_upper = np.array([30, 255, 240], dtype=np.uint8)

red_lower2 = np.array([135, 30, 100], dtype=np.uint8)

red_upper2 = np.array([180, 255, 240], dtype=np.uint8)

red_mask = cv.bitwise_or(

cv.inRange(imageHSV, red_lower, red_upper),

cv.inRange(imageHSV, red_lower2, red_upper2)

)

red_mask = cv.dilate(red_mask, kernel, iterations=3)

sure_fg = cv.bitwise_or(thresh, red_mask)

black_lower = np.array([85, 0, 0], dtype=np.uint8)

black_upper = np.array([180, 40, 100], dtype=np.uint8)

black_lower2 = np.array([0, 0, 0], dtype=np.uint8)

black_upper2 = np.array([35, 40, 100], dtype=np.uint8)

black_mask = cv.bitwise_or(

cv.inRange(imageHSV, black_lower, black_upper),

cv.inRange(imageHSV, black_lower2, black_upper2)

)

black_mask = cv.dilate(black_mask, kernel, iterations=3)

sure_fg = cv.bitwise_or(sure_fg, black_mask)

sure_fg = cv.erode(sure_fg, kernel, iterations=3)

unknown = cv.subtract(sure_bg, np.uint8(sure_fg))

ret, markers = cv.connectedComponents(np.uint8(sure_fg))

markers = markers + 1

markers[unknown == 255] = 0

markers = cv.watershed(img, markers)

img[markers == -1] = (0, 0, 255)

```

本文的實務判斷是：如果物件顏色穩定，HSV 遮罩會比純邊緣更容易控制；如果物件顏色不穩定，Canny 與 Sobel 的梯度資訊會比較可靠。

常見問題

QCanny 的兩個 threshold 怎麼選？

Canny 的兩個 threshold 控制弱邊緣與強邊緣。可先用 100、200 測試，再依圖片噪聲與邊界強度調整。

QSobel 和 Canny 有什麼差別？

Sobel 主要計算梯度，能取得方向與強度。Canny 是完整邊緣檢測流程，包含降噪、梯度、非極大值抑制與 hysteresis threshold。

Q為什麼 Sobel 建議先用 CV_64F？

梯度可能有負值，`CV_8U` 會截斷資訊。先用 `CV_64F` 計算，再取絕對值轉成 `uint8`，結果通常較完整。

Qwatershed 的 marker 是什麼？

marker 是分水嶺演算法用來判斷前景、背景與未知區域的標記圖。marker 設得好，分割結果才會穩定。

QHSV 遮罩適合所有圖片嗎？

HSV 遮罩不適合所有圖片。HSV 遮罩適合顏色範圍穩定的目標，遇到光照變化大或顏色接近背景時需要額外調整。

參考資料

• OpenCV Canny Edge Detection：https://docs.opencv.org/4.x/da/d22/tutorial_py_canny.html
• OpenCV Watershed：https://docs.opencv.org/4.x/d3/db4/tutorial_py_watershed.html
• OpenCV Sobel Derivatives：https://docs.opencv.org/4.x/d5/d0f/tutorial_py_gradients.html

最後更新

Sat Dec 17 2022 08:00:00 GMT+0800 (Taiwan Standard Time)

延伸閱讀

• 拆分相黏的正方形：OpenCV distanceTransform 與 watershed 流程
• 使用 OpenCV 調整圖片亮度：convertScaleAbs 範例
• 取得 OpenCV 輪廓中心點：cv2.moments 計算 centroid 範例
• OpenCV 如何將歪斜圖形轉正

關於作者 {#author}

Claire Chang ｜ 企業 AI 導入與流程轉型顧問。專注於 AI Agent 架構設計、ERP 系統整合與企業 AI 治理。

首次發布：2022-12-17