7.边缘检测：2D运算——Canny边缘原理、Canny边缘检测器、Canny-Matlab实战_2

最新推荐文章于 2024-09-17 15:41:36 发布

Tom Boom

最新推荐文章于 2024-09-17 15:41:36 发布

阅读量653

点赞数 2

分类专栏：机器视觉技术

机器视觉技术专栏收录该内容

80 篇文章 89 订阅

订阅专栏

Canny边缘原理

既然我们知道了如何计算光滑导数和梯度，我们就可以回到如何找到边的问题上。

基本上这是一个多步骤的过程，对吧?

1.你要创建平滑的导数来抑制一些噪声我们要计算一些主要的梯度。

2.我们要对梯度进行阈值以找到一些重要的变化区域。

3.我们将这些领域,我们要做所谓的变薄。

（下面所示的一个例子,我们将进一步讨论,这样脂肪边缘变成一个轮廓,然后说这就是优势）

4.最后，我们要以某种方式连接这些像素的，如果你真的想要一个连接轮廓。

所以我想说的边缘算子是John Canny做的，实际上是他的硕士论文，当我还在那里上学的时候，

他在他的博士论文中继续做了一些很酷的东西，但是大家都知道因为它被称为Canny边缘算子。

Canny算子的工作原理是这样的：

1.首先你用高斯函数的导数对图像进行过滤；

2.找出幅度和方向；

3.进行非极大值抑制，也就是这种细化，我们等下会讲到；

4.有一个连接操作，在这里您将不仅要定义一个阈值，还要定义两个阈值，并且您将使用高的阈值开始边缘化；

但是您将使用更低的阈值来继续；（我们将详细讨论这个，这是真正的酷的洞察力）

顺便说一下，MATLAB会处理Canny边缘，所以你可以通过调用边缘函数来获取Canny边缘。

我鼓励你看MATLAB的相关边缘文档。

MATLAB中图像处理工具箱的文档，帮助你学习MATLAB中的所有边缘检测，它实际上是图像处理信息的主要来源。

Canny边缘检测器

为了说明这个有趣的边缘探测器，我要用Lena的图片：

有个人，他剪掉了1972年男性杂志的顶部照片，那是Lena Soderberg，我想是她的名字。

这是她最近的照片：

所以我们都变了。

我们还是使用最上面那张用于图像处理的图片。

如果我们取梯度的大小，我们得到的值是这样的：

你看它接近边缘，但实际上，你和我都看到了边缘，对吧?

它只是一个梯度图像，对吧?

然后我们就可以阈值梯度：

现在你可以看到这些东西都消失了，所以任何梯度不高的东西都被去掉了。

然后我们做一个调整叫图像细化, 稍后我们会详细讨论这个。

这个奇特的名字叫非极大抑制。

基本上就是说，如果我有一些点在局部超过阈值，让我只取出超过它最多的点。

我们马上会学习到。

当你这样做的时候，你会得到这样的结果：

两张对比，你可以看到这是它的细化版本：

简单说明一下，为什么要细化?

我们来看看这个小区域：

你可以看到有一个厚的部分超过了临界值。

我们想说的是中间有一条边：

你想想，如果你来到这里，你可能会看到一个轮廓线从低到高，对吧?

如果你对它求导，你会发现这个区域的导数高于这个阈值：

这就得到了这条粗边：

我们想把它变成一条细边。

因此，非最大抑制的方式，细化是在canny算子中完成的，如下所示：

你不需要实施这个，我只是想让你知道发生了什么。

基本上它会找到高梯度的区域，它会沿着梯度的方向看过去，它只会找到那里的峰值：

然后这里也是一样，你会在这里找到峰值：

这里的梯度是这个方向，所以会找到峰值：

有时候，有时候你需要插值，这就是这张图显示：

你找到梯度，你说：Ok，我认为它在两个像素之间，所以你可以得到亚像素（sub-pixel）精度。

但关键是，它看起来垂直于梯度向量，为了找到最大值。

这个细化的部分，这就是怎么做的，现在有一个非常聪明的细节要看。

如果你看一下下巴下面的这个点，你会看到一些像素没有通过阈值：

这是一个问题，你可以说我们的阀值设置的太高了。

然后会出现一大堆我们并不关心的东西。

问题是如何处理这个问题：

1.我们做的第一件事是应用高阈值来检测边缘，强边缘像素。阈值会拉出一些像素。

2.我们要做的就是把这些强边像素连接起来形成强边。

3.我们现在使用一个低阈值来找到弱的，但可能的边缘像素。

4.接着我们沿着弱像素点扩展强边。

这意味着如果一条边上只有弱像素，它就不会被发现是一条边。

只有当某些像素是强边缘像素时，才能找到边缘。这里的假设是，我关心的所有边都有一些强像素。

然后，我可能不得不继续连接一个阀值较低的区域，但边缘是由高阀值像素的检测开创的。

Canny-Matlab实战

我有两个图片给你，曲发和轿车。

>> pkg load image;
>>
>> frizzy = imread('frizzy.png');
>> froomer = imread('froomer.png');
>> imshow(frizzy);
>> imshow(froomer);
>>
>> % TODO: Find edges in frizzy and froomer images
>>
>> % TODO: Display common edge pixels

代码运行，显示两张图片：

我希望您在这些图像中找到边缘，然后显示两者之间共有的边缘像素。

如果你能做也不错，我们来一起做做吧：

现在我们来看看是怎么得到这个的。

首先，将图像从颜色转换为灰度，使用rgb2gray（）函数：

然后使用边缘函数分别计算每个图像的边缘。请注意，我明确地使用了'canny'。默认是我认为索贝尔，它不起作用。

Canny接受了附加参数、滞后性值和平滑sigma值。随意玩他们。

>> pkg load image;
>>
>> frizzy = imread('frizzy.png');
>> froomer = imread('froomer.png');
>> imshow(frizzy);
>> imshow(froomer);
>>
>> % TODO: Find edges in frizzy and froomer images
>> frizzy_gray = rgb2gray(frizzy);
>> froomer_gray = rgb2gray(froomer);
>>
>> frizzy_edges = edge(frizzy_gray, 'canny');
>> froomer_edges = edge(froomer_gray, 'canny');
>> imshow(frizzy_edges);
>> imshow(froomer_edges);
>>
>> % TODO: Display common edge pixels

代码运行如下：

这是frizzy的边缘。这几乎是完美的。

注意在嘴巴和鼻子周围，我们有很厚的轮廓，我们有双重边缘。

这是预期的。

这是froomer的边缘，也很好。

好的，现在怎么办呢?

注意，边缘图像是二进制图像。

这意味着你可以和它们一起找到共同的边缘像素。

>> pkg load image;
>>
>> frizzy = imread('frizzy.png');
>> froomer = imread('froomer.png');
>> imshow(frizzy);
>> imshow(froomer);
>>
>> % TODO: Find edges in frizzy and froomer images
>> frizzy_gray = rgb2gray(frizzy);
>> froomer_gray = rgb2gray(froomer);
>>
>> frizzy_edges = edge(frizzy_gray, 'canny');
>> froomer_edges = edge(froomer_gray, 'canny');
>> imshow(frizzy_edges);
>> imshow(froomer_edges);
>>
>> % TODO: Display common edge pixels
>> imshow(frizzy_edges & froomer_edges); % binary AND

代码运行，结果：