Canny边缘检测算法一直是边缘检测的经典算法。下面详细介绍Canny边缘检测算法的原理以及编程实现。
Canny边缘检测基本原理:
(1)图象边缘检测必须满足两个条件:一能有效地抑制噪声;二必须尽量精确确定边缘的位置。
(2)根据对信噪比与定位乘积进行测度,得到最优化逼近算子。这就是Canny边缘检测算子。
(3)类似与Marr(LoG)边缘检测方法,也属于先平滑后求导数的方法。
Canny 的目标是找到一个最优的边缘检测算法,最优边缘检测的含义是:
(1)好的检测 - 算法能够尽可能多地标识出图像中的实际边缘。
(2)好的定位 - 标识出的边缘要尽可能与实际图像中的实际边缘尽可能接近。
(3)最小响应 - 图像中的边缘只能标识一次,并且可能存在的图像雜訊不应标识为边缘。
Canny边缘检测算法的步骤:
(1)去噪
任何边缘检测算法都不可能在未经处理的原始数据上很好地處理,所以第一步是对原始数据与高斯 mask 作卷积,得到的图像与原始图像相比有些轻微的模糊(blurred)。这样,单独的一个像素雜訊在经过高斯平滑的图像上变得几乎没有影响。
(2)用一阶偏导的有限差分来计算梯度的幅值和方向。
(3)对梯度幅值进行非极大值抑制。
仅仅得到全局的梯度并不足以确定边缘,因此为确定边缘,必须保留局部梯度最大的点,而抑制非极大值。(non-maxima suppression,NMS)
解决方法:利用梯度的方向。
四个扇区的标号为0到3,对应3*3邻域的四种可能组合。在每一点上,邻域的中心象素M与沿着梯度线的两个象素相比。如果M的梯度值不比沿梯度线的两个相邻象素梯度值大,则令M=0。
(4)用双阈值算法检测和连接边缘。
减少假边缘段数量的典型方法是对N[i,j]使用一个阈值。将低于阈值的所有值赋零值。但问题是如何选取阈值?
解决方法:双阈值算法。双阈值算法对非极大值抑制图象作用两个阈值τ1和τ2,且2τ1≈τ2,从而可以得到两个阈值边缘图象N1[i,j]和N2[i,j]。由于N2[i,j]使用高阈值得到,因而含有很少的假边缘,但有间断(不闭合)。双阈值法要在N2[i,j]中把边缘连接成轮廓,当到达轮廓的端点时,该算法就在N1[i,j]的8邻点位置寻找可以连接到轮廓上的边缘,这样,算法不断地在N1[i,j]中收集边缘,直到将N2[i,j]连接起来为止。
在连接边缘的时候,用数组模拟队列的实现。以进行8-连通域搜索。
更详细的资料请参考维基百科:http://zh.wikipedia.org/wiki/Canny%E7%AE%97%E5%AD%90
下面是我编程实现的Canny边缘检测代码,如有错误,请大家包涵、指正:
I = imread('rice.png');
I = double(I);
[height,width] = size(I);
J = I;
conv = zeros(5,5);%高斯卷积核
sigma = 1;%方差
sigma_2 = sigma * sigma;%临时变量
sum = 0;
for i = 1:5
for j = 1:5
conv(i,j) = exp((-(i - 3) * (i - 3) - (j - 3) * (j - 3)) / (2 * sigma_2)) / (2 * 3.14 * sigma_2);%高斯公式
sum = sum + conv(i,j);
end
end
conv = conv./sum;%标准化
%对图像实施高斯滤波
for i = 1:height
for j = 1:width
sum = 0;%临时变量
for k = 1:5
for m = 1:5
if (i - 3 + k) > 0 && (i - 3 + k) <= height && (j - 3 + m) > 0 && (j - 3 + m) < width
sum = sum + conv(k,m) * I(i - 3 + k,j - 3 + m);
end
end
end
J(i,j) = sum;
end
end
figure,imshow(J,[])
title('高斯滤波后的结果')
%求梯度
dx = zeros(height,width);%x方向梯度
dy = zeros(height,width);%y方向梯度
d = zeros(height,width);
for i = 1:height - 1
for j = 1:width - 1
dx(i,j) = J(i,j + 1) - J(i,j);
dy(i,j) = J(i + 1,j) - J(i,j);
d(i,j) = sqrt(dx(i,j) * dx(i,j) + dy(i,j) * dy(i,j));
end
end
figure,imshow(d,[])
title('求梯度后的结果')
%局部非极大值抑制
K = d;%记录进行非极大值抑制后的梯度
%设置图像边缘为不可能的边缘点
for j = 1:width
K(1,j) = 0;
end
for j = 1:width
K(height,j) = 0;
end
for i = 2:width - 1
K(i,1) = 0;
end
for i = 2:width - 1
K(i,width) = 0;
end
for i = 2:height - 1
for j = 2:width - 1
%当前像素点的梯度值为0,则一定不是边缘点
if d(i,j) == 0
K(i,j) = 0;
else
gradX = dx(i,j);%当前点x方向导数
gradY = dy(i,j);%当前点y方向导数
gradTemp = d(i,j);%当前点梯度
%如果Y方向幅度值较大
if abs(gradY) > abs(gradX)
weight = abs(gradX) / abs(gradY);%权重
grad2 = d(i - 1,j);
grad4 = d(i + 1,j);
%如果x、y方向导数符号相同
%像素点位置关系
%g1 g2
% C
% g4 g3
if gradX * gradY > 0
grad1 = d(i - 1,j - 1);
grad3 = d(i + 1,j + 1);
else
%如果x、y方向导数符号反
%像素点位置关系
% g2 g1
% C
%g3 g4
grad1 = d(i - 1,j + 1);
grad3 = d(i + 1,j - 1);
end
%如果X方向幅度值较大
else
weight = abs(gradY) / abs(gradX);%权重
grad2 = d(i,j - 1);
grad4 = d(i,j + 1);
%如果x、y方向导数符号相同
%像素点位置关系
%g3
%g4 C g2
% g1
if gradX * gradY > 0
grad1 = d(i + 1,j + 1);
grad3 = d(i - 1,j - 1);
else
%如果x、y方向导数符号反
%像素点位置关系
% g1
%g4 C g2
%g3
grad1 = d(i - 1,j + 1);
grad3 = d(i + 1,j - 1);
end
end
%利用grad1-grad4对梯度进行插值
gradTemp1 = weight * grad1 + (1 - weight) * grad2;
gradTemp2 = weight * grad3 + (1 - weight) * grad4;
%当前像素的梯度是局部的最大值,可能是边缘点
if gradTemp >= gradTemp1 && gradTemp >= gradTemp2
K(i,j) = gradTemp;
else
%不可能是边缘点
K(i,j) = 0;
end
end
end
end
figure,imshow(K,[])
title('非极大值抑制后的结果')
%定义双阈值:EP_MIN、EP_MAX,且EP_MAX = 2 * EP_MIN
EP_MIN = 12;
EP_MAX = EP_MIN * 2;
EdgeLarge = zeros(height,width);%记录真边缘
EdgeBetween = zeros(height,width);%记录可能的边缘点
for i = 1:height
for j = 1:width
if K(i,j) >= EP_MAX%小于小阈值,不可能为边缘点
EdgeLarge(i,j) = K(i,j);
else if K(i,j) >= EP_MIN
EdgeBetween(i,j) = K(i,j);
end
end
end
end
%把EdgeLarge的边缘连成连续的轮廓
MAXSIZE = 999999;
Queue = zeros(MAXSIZE,2);%用数组模拟队列
front = 1;%队头
rear = 1;%队尾
edge = zeros(height,width);
for i = 1:height
for j = 1:width
if EdgeLarge(i,j) > 0
%强点入队
Queue(rear,1) = i;
Queue(rear,2) = j;
rear = rear + 1;
edge(i,j) = EdgeLarge(i,j);
EdgeLarge(i,j) = 0;%避免重复计算
end
while front ~= rear%队不空
%队头出队
temp_i = Queue(front,1);
temp_j = Queue(front,2);
front = front + 1;
%8-连通域寻找可能的边缘点
%左上方
if EdgeBetween(temp_i - 1,temp_j - 1) > 0%把在强点周围的弱点变为强点
EdgeLarge(temp_i - 1,temp_j - 1) = K(temp_i - 1,temp_j - 1);
EdgeBetween(temp_i - 1,temp_j - 1) = 0;%避免重复计算
%入队
Queue(rear,1) = temp_i - 1;
Queue(rear,2) = temp_j - 1;
rear = rear + 1;
end
%正上方
if EdgeBetween(temp_i - 1,temp_j) > 0%把在强点周围的弱点变为强点
EdgeLarge(temp_i - 1,temp_j) = K(temp_i - 1,temp_j);
EdgeBetween(temp_i - 1,temp_j) = 0;
%入队
Queue(rear,1) = temp_i - 1;
Queue(rear,2) = temp_j;
rear = rear + 1;
end
%右上方
if EdgeBetween(temp_i - 1,temp_j + 1) > 0%把在强点周围的弱点变为强点
EdgeLarge(temp_i - 1,temp_j + 1) = K(temp_i - 1,temp_j + 1);
EdgeBetween(temp_i - 1,temp_j + 1) = 0;
%入队
Queue(rear,1) = temp_i - 1;
Queue(rear,2) = temp_j + 1;
rear = rear + 1;
end
%正左方
if EdgeBetween(temp_i,temp_j - 1) > 0%把在强点周围的弱点变为强点
EdgeLarge(temp_i,temp_j - 1) = K(temp_i,temp_j - 1);
EdgeBetween(temp_i,temp_j - 1) = 0;
%入队
Queue(rear,1) = temp_i;
Queue(rear,2) = temp_j - 1;
rear = rear + 1;
end
%正右方
if EdgeBetween(temp_i,temp_j + 1) > 0%把在强点周围的弱点变为强点
EdgeLarge(temp_i,temp_j + 1) = K(temp_i,temp_j + 1);
EdgeBetween(temp_i,temp_j + 1) = 0;
%入队
Queue(rear,1) = temp_i;
Queue(rear,2) = temp_j + 1;
rear = rear + 1;
end
%左下方
if EdgeBetween(temp_i + 1,temp_j - 1) > 0%把在强点周围的弱点变为强点
EdgeLarge(temp_i + 1,temp_j - 1) = K(temp_i + 1,temp_j - 1);
EdgeBetween(temp_i + 1,temp_j - 1) = 0;
%入队
Queue(rear,1) = temp_i + 1;
Queue(rear,2) = temp_j - 1;
rear = rear + 1;
end
%正下方
if EdgeBetween(temp_i + 1,temp_j) > 0%把在强点周围的弱点变为强点
EdgeLarge(temp_i + 1,temp_j) = K(temp_i + 1,temp_j);
EdgeBetween(temp_i + 1,temp_j) = 0;
%入队
Queue(rear,1) = temp_i + 1;
Queue(rear,2) = temp_j;
rear = rear + 1;
end
%右下方
if EdgeBetween(temp_i + 1,temp_j + 1) > 0%把在强点周围的弱点变为强点
EdgeLarge(temp_i + 1,temp_j + 1) = K(temp_i + 1,temp_j + 1);
EdgeBetween(temp_i + 1,temp_j + 1) = 0;
%入队
Queue(rear,1) = temp_i + 1;
Queue(rear,2) = temp_j + 1;
rear = rear + 1;
end
end
%下面2行用于观察程序运行的状况
i
j
end
end
figure,imshow(edge,[])
title('双阈值后的结果')
对图片rice.png进行处理后的 结果如下: