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:
- <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:
- <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>
<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:
- <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>
<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: