canny边缘检测算法

今天笔试遇到的，居然没有仔细了解，幸运的是蒙对了。今天补补相关知识。

步骤

1. 高斯模糊

2. 计算梯度大小和方向

3. 边梯度非极大值抑制，细化边

4. 双阈值分离强弱边缘

5. 连接弱边缘，去掉噪声

高斯模糊

为什么

边缘和噪声同属于高频信号，但是对高斯模糊的响应是不同的。噪声通常为点噪声，相比于边缘的线的高频信号，高斯模糊后被更大程度抑制。并且虽然边缘被抑制，在后期连接弱边缘时，仍可以和强边缘连接从而强化。但是噪声因为其孤立，不会连接到周围的强边缘。

怎么做

用5*5的高斯核，方差为1.2，对图像卷积。高斯核方差越大，噪声抑制越明显，边缘越不容易检测。

计算梯度大小和方向

为什么

边缘检测最重要的就是定义边缘的特征。灰度梯度大小是边缘的最显著特征。设置灰度梯度大小阈值可以提取初始边界。

怎么做

常常使用Sobel算子来计算梯度。

x方向的Sobel算子:

同理，y方向Sobel算子：

x方向比较左右灰度，y方向比较上下梯度。至于哪一侧为正不重要，因为梯度的二范数是一致的。

其中就是Sobel计算卷积后的结果。

梯度方向：

将两方向梯度相加，得到检测边缘。

非极大值抑制

为什么

在边缘处可能有若干像素，这些像素的灰度梯度都很大，但是我们只需要一条边缘，边缘只要一个像素。为了能细化边缘，选择的规则为非极大值抑制，即让梯度为非极大值的边缘梯度置为0。

怎么做

首先确定当前点的灰度梯度方向。然后在该梯度方向上，计算当前点的四周和该梯度方向相交的边界的位置（图中为A和C），利用灰度的梯度插值，计算两侧位置的灰度梯度。将该位置灰度梯度和两侧位置灰度梯度比较，如果不是极大值，则将该位置灰度梯度置0。

双阈值

为什么

为了去掉噪声以及不显著的边界，可以手动设置阈值，让大于阈值的取为强边界，小于阈值的为弱边界。

怎么做

直接判断梯度是否大于阈值即可。手动调整直到最关注的边界为强边界。

连接弱边缘

为什么

弱边缘可能因为其灰度对比度不高，但是和强边缘实际上是相连的，为了尽可能让边界连续，将弱边缘和强边缘连接起来。

怎么做

定义临接像素为周围八个像素。如果邻接像素存在强边缘且该处为弱边缘，则令其为强边缘。循环即可。也可以用dfs，将检测到强边缘四周的弱边缘入栈，然后弱边缘不断出栈，强化，四周弱边缘入栈，直到栈为空。

连接完毕，将仍是弱边缘的边缘舍弃，其中包括了噪声数据。