使用OpenCV实现Halcon算法（1）亚像素提取边缘，Sub-Pixel Edge Detector

利白

已于 2022-03-27 10:46:27 修改

阅读量2.2w

点赞数 39

分类专栏： OpenCV 文章标签： opencv 算法 edge

于 2019-11-12 10:52:57 首次发布

原文链接：https://blog.csdn.net/piaoxuezhong/article/details/78664656

版权

OpenCV 专栏收录该内容

65 篇文章

订阅专栏

声明：本篇仅仅是分享网上的开源项目，算法非本人原创。转载文章：

《A Sub-Pixel Edge Detector: an Implementation of the Canny/Devernay Algorithm》_Naruto_Q的博客-CSDN博客

整个项目，用opencv包装了，项目地址：

https://github.com/fcqing/sub-pixel-edge-detect

https://github.com/CsCsongor/subPixelEdgeDetect

GitHub - songyuncen/EdgesSubPix: Sub-Pixel Edge Detection Using OpenCV

论文《A Sub-Pixel Edge Detector: an Implementation of theCanny/Devernay Algorithm》提出了一种基于canny算法进行亚像素级边缘提取的算法，并给出了网页测试demo，可以在上面载入图像进行边缘提取测试，效果不错。这里简要翻译一下论文的方法：

Canny算法

针对边缘检测算法的研究有很多，其中Canny算法在这方面具有开创性的贡献，我在之前的博客里总结过canny的原理，这里简要说明一下：

Canny算子求边缘点具体算法步骤如下：
1. 用高斯滤波器平滑图像．
2. 计算梯度幅值和方向

3. 对梯度幅值进行非极大值抑制

非极大值抑制（Non-Maxima Suppression method）主要是为了更精确的定位某种特征，比如用梯度变化表征边缘时，梯度变化较大的区域通常比较宽，所以利用x和y方向的梯度确定一个法向arctan(y/x)，然后在法向上判断当前梯度测量是否是一个峰值（或局部极大值），如果是就保留，不是极大值就抑制（如设置为0）。这样的话就能将边缘定位在1-2像素宽（相邻像素有时候求极大值的方向恰好互不干扰）。

4. 用双阈值算法检测和连接边缘．

5.通过滞后跟踪边缘，抑制所有弱而不强的边缘。

Devernay亚像素校正算法

Canny检测出的边缘是像素级别的，而有时需要精度低于一个像素，即亚像素边缘提取，Devernay【3】在Canny算法的基础上进行了拓展：将新的边缘点定义为相邻几个梯度模值差值的最大值，可以通过计算梯度方向上相邻的三点处的梯度模值的二次函数插补。如下图所示：

上图中，||g(A,B,C)||为三个垂直于边缘方向上的梯度模值，canny算法会选择模值最大的B点作为边缘点。但是，也可能在A和C之间存在点η ，在η 点处的梯度模值大于B点及AC之间的其他点，此时，η 点能更好地表示边缘。论文[3]给出了估计η 点以及计算η 点偏移量的方法，并给出η 的亚像素位置。

为了减少计算量，论文中只用了三点来进行二次方程拟合，并求出相对于BC向量的补偿 η ：

Devernay亚像素算法准确性

影响Devernay算法准确性的四个误差来源：

1.假设梯度满足二次曲线规律带来的误差；

2.使用有限项计算梯度值带来的误差；

3.插补计算时有些点的梯度并没有通过canny运算计算出来所带来的误差；（个人理解这里应该是说在非水平和垂直方向上）

4.数据误差；

以高斯边缘为例，公式：，其中是高斯核函数，Y是阶梯函数，即：

(1)

α 是阶梯函数的系数，下图中左是带亚像素偏移 γ 的高斯边缘特性，右图是使用抛物线估计的边缘点位置，例如途中三点abc,:(−1, a), (0, b) 和(1, c) ，边缘估计点的位置为：

(2)

把带偏移 γ 的高斯边缘函数带入，可以得到：

(3)

带入（2）式得到：

(4)

右图中，高斯梯度与二次方程梯度极大值点偏差为：

文中给出了该误差的分布图5：

当γ=0时，误差为0，因为此时边缘在网格中间位置；当γ=0.5时，误差也为0，因为此时a=b或b=c，二次曲线插补值可以给出正确的偏移；σ越小，边缘越锐利，而σ越大，边缘越模糊，误差反而越小。

公式（4）也说明了第二种误差来源，即有限差分计算带来的误差。

亚像素边缘算法改进

在上面说的四种误差来源中，其中简单地使用水平和垂直方向插补可以有效去除第三种误差。Deverary使用三个点中间的插补值作为边缘，这里进行修正：当点（x，y）处梯度满足以下条件，此时该点为水平方向的边缘点：

类似的，垂直方向的边缘点也是可以定义出来的。当x和y方向的梯度相等时，默认为还是水平边缘点，这个影响不大。修正方法的误差分布见下图6：

对比图5，修正方法的误差有了明显的减弱。另外，论文还对比了边缘是倾斜角度时的提取结果，见下图7：

边缘点链（Edge Point Chaining）

此前检测边缘点是一个独立过程，每个边缘点并不相关。后续需要将属于同一个边缘轮廓的点集归到一起--链，形成轮廓。每个边缘点对应的应是一个像素点，而不是一个5*5的区域。

首先，被归为同一链路的像素点应该具有近似的梯度方向，以像素点A和B为例，它们的夹角应小于90度，数学表示为：g(A).g(B)>0。另外，图像轮廓可以将亮区域和暗区域分开，所以连续的链路需要将暗区域划分到曲线的同一侧，一个简单的方法是验证从边缘点A到点B的向量与点A两个可能的梯度方向中的一个是否近似正交。有两个概念需要介绍一下：前向链路（forward chaining）和后向链路(back chaining)。当 ,其中表示向量v旋转90度，此时成为A-B的前向链路，记为:，反方向称为反向链路。

一个边缘点至多有一个前向链路，也至多有一个后向链路，而不用有类似 Y 形状的链路。所以在确定AB是否成链前，需要检查A是否已经有前向链路和B是否已经有后向链路。此时可以通过距离来判断，如果新的链路比之前的距离短，那么之前链路就会被斩断，而增加这新的链路，经过这个步骤，边缘点的链接关系就能确定下来了。以下图8为例：

A,B,C,D四点的距离关系满足：||A-B||>||B-C||>||C-D||,假定链路搜索顺序为：A-B-C,你会发现当我们想时,存在，而且根据CB距离小于AB，所以会被切断；同样地，由于D的存在，也会被切断，所以最后的结果只剩下：。再假定链路搜索顺序为C-B-A，经过判断过程，剩下这条链路。所以，最后的链路结果为：和。