canny算子原理分析

1. 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。

 

2. Canny边缘检测算法：

     step1:用高斯滤波器平滑图象；

     step2:用一阶偏导的有限差分来计算梯度的幅值和方向；

     step3:对梯度幅值进行非极大值抑制；

     step4:用双阈值算法检测和连接边缘。

 

step1:高斯平滑函数

（可以理解下维基百科上关于卷积函数的定义，如下图移动的红色窗口代表我们的高斯和函数，蓝色为图像灰度函数）

通过高斯函数产生k*k的模板如3*3

 

用这个模板对每个像素进行加权平均

 

Step2：一阶微分卷积模板

step3: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。

 

图1非极大值抑制

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。

即： 

 Step4:用双阈值算法检测和连接边缘:　　

　　对非极大值抑制图像作用两个阈值th1和th2，两者关系th1=0.4th2  。我们把梯度值小于th1的像素的灰度值设为0，得到图像1。然后把梯度值小于th2的像素的灰度值设为0，得到图像2。由于图像2的阈值较高，去除大部分噪音，但同时也损失了有用的边缘信息。而图像1的阈值较低，保留了较多的信息，我们可以以图像2为基础，以图像1为补充来连结图像的边缘。

　　链接边缘的具体步骤如下：

　　对图像2进行扫描，当遇到一个非零灰度的像素p(x,y)时，跟踪以p(x,y)为开始点的轮廓线，直到轮廓线的终点q(x,y)。

　  考察图像1中与图像2中q(x,y)点位置对应的点s(x,y)的8邻近区域。如果在s(x,y)点的8邻近区域中有非零像素s(x,y)存在，则将其包括到图像2中，作为r(x,y)点。从r(x,y)开始，重复第一步，直到我们在图像1和图像2中都无法继续为止。

　  当完成对包含p(x,y)的轮廓线的连结之后，将这条轮廓线标记为已经访问。回到第一步，寻找下一条轮廓线。重复第一步、第二步、第三步，直到图像2中找不到新轮廓线为止。

3. canny算法程序实现

   Canny算法程序中将上述的4个步骤再加以细分，分成以下7步：

l 生成高斯滤波系数；

l 用生成的高斯滤波系数对原图像进行平滑；

l 求滤波后图像的梯度；

l 进行非最大抑制；

l 统计图像的直方图，对阈值进行判定；

l 利用函数寻找边界起点；

l 根据第6步执行的结果，从一个像素点开始搜索，搜索以该像素点为边界起点的一条边界的一条边界的所有边界点；

参考：

http://blog.csdn.net/likezhaobin/article/details/6835049

http://blog.csdn.net/likezhaobin/article/details/6892176

http://blog.csdn.net/likezhaobin/article/details/6892629

http://www.cnblogs.com/cfantaisie/archive/2011/06/05/2073168.html