图像处理之Canny边缘检测

图像处理之Canny 边缘检测

一：历史

Canny边缘检测算法是1986年有John F. Canny开发出来一种基于图像梯度计算的边缘

检测算法，同时Canny本人对计算图像边缘提取学科的发展也是做出了很多的贡献。尽

管至今已经许多年过去，但是该算法仍然是图像边缘检测方法经典算法之一。

二：Canny边缘检测算法

经典的Canny边缘检测算法通常都是从高斯模糊开始，到基于双阈值实现边缘连接结束

。但是在实际工程应用中，考虑到输入图像都是彩色图像，最终边缘连接之后的图像要

二值化输出显示，所以完整的Canny边缘检测算法实现步骤如下：

1.      彩色图像转换为灰度图像

2.      对图像进行高斯模糊

3.      计算图像梯度，根据梯度计算图像边缘幅值与角度

4.      非最大信号压制处理（边缘细化）

5.      双阈值边缘连接处理

6.      二值化图像输出结果

三：各步详解与代码实现

1.      彩色图像转灰度图像

根据彩色图像RGB转灰度公式：gray  =  R * 0.299 + G * 0.587 + B * 0.114

将彩色图像中每个RGB像素转为灰度值的代码如下：

[java] view plain copy print ?

1. <span style="font-size: 18px;">int gray = (int) (0.299 * tr + 0.587 * tg + 0.114 * tb);</span> 

<span style="font-size:18px;">int gray = (int) (0.299 * tr + 0.587 * tg + 0.114 * tb);</span>

2.      对图像进行高斯模糊

图像高斯模糊时，首先要根据输入参数确定高斯方差与窗口大小，这里我设置默认方

差值窗口大小为16x16，根据这两个参数生成高斯卷积核算子的代码如下：

[java] view plain copy print ?

1. <span style="font-size: 18px;">     float kernel[][] = new float[gaussianKernelWidth][gaussianKernelWidth]; 
2.         for(int x=0; x<gaussianKernelWidth; x++) 
3.         { 
4.             for(int y=0; y<gaussianKernelWidth; y++) 
5.             { 
6.                 kernel[x][y] = gaussian(x, y, gaussianKernelRadius); 
7.             } 
8.         }</span> 

<span style="font-size:18px;">		float kernel[][] = new float[gaussianKernelWidth][gaussianKernelWidth];
		for(int x=0; x<gaussianKernelWidth; x++)
		{
			for(int y=0; y<gaussianKernelWidth; y++)
			{
				kernel[x][y] = gaussian(x, y, gaussianKernelRadius);
			}
		}</span>

获取了高斯卷积算子之后，我们就可以对图像高斯卷积模糊，关于高斯图像模糊更详

细的解释可以参见这里：http://blog.csdn.net/jia20003/article/details/7234741实现

图像高斯卷积模糊的代码如下：

[java] view plain copy print ?

1. <span style="font-size: 18px;">// 高斯模糊 -灰度图像 
2. int krr = (int)gaussianKernelRadius; 
3. for (int row = 0; row < height; row++) { 
4.     for (int col = 0; col < width; col++) { 
5.         index = row * width + col; 
6.         double weightSum = 0.0; 
7.         double redSum = 0; 
8.         for(int subRow=-krr; subRow<=krr; subRow++) 
9.         { 
10.             int nrow = row + subRow; 
11.             if(nrow >= height || nrow < 0) 
12.             { 
13.                 nrow = 0; 
14.             } 
15.             for(int subCol=-krr; subCol<=krr; subCol++) 
16.             { 
17.                 int ncol = col + subCol; 
18.                 if(ncol >= width || ncol <=0) 
19.                 { 
20.                     ncol = 0; 
21.                 } 
22.                 int index2 = nrow * width + ncol; 
23.                 int tr1 = (inPixels[index2] >> 16) & 0xff; 
24.                 redSum += tr1*kernel[subRow+krr][subCol+krr]; 
25.                 weightSum += kernel[subRow+krr][subCol+krr]; 
26.             } 
27.         } 
28.         int gray = (int)(redSum / weightSum); 
29.         outPixels[index] = gray; 
30.     } 
31. }</span> 

<span style="font-size:18px;">// 高斯模糊 -灰度图像
int krr = (int)gaussianKernelRadius;
for (int row = 0; row < height; row++) {
	for (int col = 0; col < width; col++) {
		index = row * width + col;
		double weightSum = 0.0;
		double redSum = 0;
		for(int subRow=-krr; subRow<=krr; subRow++)
		{
			int nrow = row + subRow;
			if(nrow >= height || nrow < 0)
			{
				nrow = 0;
			}
			for(int subCol=-krr; subCol<=krr; subCol++)
			{
				int ncol = col + subCol;
				if(ncol >= width || ncol <=0)
				{
					ncol = 0;
				}
				int index2 = nrow * width + ncol;
				int tr1 = (inPixels[index2] >> 16) & 0xff;
				redSum += tr1*kernel[subRow+krr][subCol+krr];
				weightSum += kernel[subRow+krr][subCol+krr];
			}
		}
		int gray = (int)(redSum / weightSum);
		outPixels[index] = gray;
	}
}</span>

3.      计算图像X方向与Y方向梯度，根据梯度计算图像边缘幅值与角度大小

高斯模糊的目的主要为了整体降低图像噪声，目的是为了更准确计算图像梯度及边缘

幅值。计算图像梯度可以选择算子有Robot算子、Sobel算子、Prewitt算子等。关于

图像梯度计算更多的解释可以看这里：

http://blog.csdn.net/jia20003/article/details/7664777。

这里采用更加简单明了的2x2的算子，其数学表达如下：

[java] view plain copy print ?