在彩色图像上使用 canny

Question

我是图像处理和opencv的新手，但最近在研究边缘检测的想法，对此有疑问：

• 是否可以直接应用于彩色图像而不将其转换为灰度？这会影响结果吗？我试了一下（使用c++ opnencv函数）没有错误或问题，结果与我将图像更改为灰度后的结果不同。

• 我读到，对于彩色图像，我应该分别在每个通道上应用 canny，然后合并结果。好吧，假设每个通道有 3 个结果，我如何将它们组合在一起以获得最终结果？

• 处理灰度图像真的比处理彩色图像更快吗，因为后来我们有3个通道（逻辑上似乎是的，但没有参考比较每种方法的优缺点；所有我知道灰度速度更快，而对于图像分割，彩色图像可以提供更多信息）在边缘检测的概念中，使用彩色图像是否更好？

Answer 1

如果您接受python，那么您可以：

第二个问题：

---

• 1. 使用split方法分离通道，将每个通道应用Canny不同的阈值水平，然后使用merge方法组合结果。

---

• import cv2   
  
  img = cv2.imread("grl.jpg")
  (B, G, R) = cv2.split(img)
  B_cny = cv2.Canny(B, 50, 200)
  G_cny = cv2.Canny(G, 50, 200)
  R_cny = cv2.Canny(R, 50, 200)
  img_cny = cv2.merge([B_cny, G_cny, R_cny]) 
  

• 结果：

  ---

• 可能的问题：为什么splitreturnsB、G和R？

• 答：Opencv读取的图片是(BGR)格式，因此splitreturns(B, G, R)格式

• 你也可以直接应用到图片上（感谢@fmw42）：

• 结果：

第三个问题：

---

• 是处理 gray-scale 图像比彩色图像快得多。

• 我们看到的图像有不同的颜色，但计算机看到的是一个值矩阵：

  • 例如：

    • 25 45 67 37 90 ..
      56  .
      46     .     
      34        .
      13           .
      .
      .
      

    • 矩阵中的每个单元格可以在 0-255 之间变化。 grey-scale 图像（矩阵）只有 1 个通道，彩色图像有 3 个通道（矩阵）

    • 因此，您可以认为计算 single-matrix（灰色）比计算 3 矩阵（图像）

      更快