本文探讨了Canny边缘检测算法的几个改进点，包括使用选择性模糊（如均值、中值、表面模糊）替代高斯模糊以保留更多边缘细节，以及梯度算子的选择。实验表明，选择性模糊在参数选择上更为灵活，且能更好地保留弱边缘。此外，Sobel算子相比于一阶差分和Robert交叉算子在边缘连通性上表现更优。
传统的Canny边缘检测算法是一种有效而又相对简单的算法，可以得到很好的结果(可以参考上一篇Canny边缘检测算法的实现)。但是Canny算法本身也有一些缺陷，可以有改进的地方。
1. Canny边缘检测第一步用高斯模糊来去掉噪声，但是同时也会平滑边缘，使得边缘信息减弱，有可能使得在后面的步骤中漏掉一些需要的边缘，特别是弱边缘和孤立的边缘，可能在双阀值和联通计算中被剔除。很自然地可以预见，如果加大高斯模糊的半径，对噪声的平滑力度加大，但也会使得最后得到的边缘图中的边缘明显减少。这里依然用Lena图为例，保持Canny算法中高阀值100，低阀值50不变，高斯半径分别为2，3，5的Canny边缘二值图像如下。可知高斯模糊把很多有用的边缘信息也模糊掉了，因此如何精确的选择高斯半径就相当重要。
高斯半径2 高斯半径3 高斯半径5
2. 在最初的Canny算法中是使用的最小的2x2领域来计算梯度幅值的。这种方法对噪声很敏感，比较容易检测到伪边缘或漏掉真是边缘。在上一篇算法实现中，实际上使用的是3x3的Sobel梯度算子，是一种比较好的选择。
3. 传统Canny算法的双阀值是全局固定的，因此双阀值大小的选取对最终的结果影响很大，也有一些经验，比如选择低阀值是高阀值的0.4或0.5。然而这毕竟
最低0.47元/天 解锁文章
363
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
