基于STM32H7的图像处理--canny边缘检测（一）

最新推荐文章于 2023-11-23 02:29:01 发布
最新推荐文章于 2023-11-23 02:29:01 发布
阅读量4.6k 收藏 88
点赞数 11
分类专栏： 笔记 文章标签： c语言 canny算法 stm32
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_42567529/article/details/119182187
版权

**

基于STM32H7的图像处理–canny边缘检测（一）

**

最近在用STM32H7这块板子做机器视觉的学习，在这里记录下学习心得与过程。有不对的地方欢迎大家指正。（stm32H7开发板，lcd9332显示屏）
(一）边缘检测概念
边缘是图像的基本特征，图像的边缘通常意味着一个区域的结束与另一个区域的开始，对于图像后续处理与检测有重要作用。
在图像处理中，边缘通常被认为是周围的像素灰度发生阶跃变化或者屋顶变化的像素集合。
边缘的特征是沿边缘走向的像素变化平缓，垂直与边缘走向的像素变化剧烈。
边缘检测就是采用某种算法来提取出图像中灰度剧烈变化的区域边界，并且将其来接起来的方法。
（二）Canny边缘检测
Canny算子检测是目前使用较为广泛的边缘检测方法之一，本文也是通过canny算子来实现边缘检测的。
其主要步骤为：高斯滤波–>一阶差分算子计算梯度幅值及其方向–>对梯度幅值进行极大值抑制–>双阈值提取边缘。

1. 基于全局阈值的二值化处理
假设某一副灰度图有如下的直方图，该图像由暗色背景下的较亮物体组成，从背景中提取这一物体时，将阈值T作为分割点，分割后的图像g(x, y)由下述公式给出，称为全局阈值处理在这里插入图片描述
基本全局阈值处理方法

  1. 为全局阈值T选择一个初始的估计值

  2. 用T分割图像，产生两组像素：G1由大于T的像素组成，G2由小于T的像素组成

  3. 对G1和G2的像素分别计算平均灰度值m1和m2

  4. 计算新的阈值T = 1/2 * (m1 + m2)

  5. 重复步骤2-4，直到连续迭代中的T值差小于一个预定义的参数ΔT
    代码如下：

while(1){
			T = 0.5 * (m1 + m2);
			m1 = 0.0;
			m2 = 0.0;
			m1_num = 0;
			m2_num = 0;

			for (i = 0; i < len; i++){
				if (GetImageData[i] <= T){
						m1 += GetImageData[i];
						m1_num++;
					}
				else{
						m2 += GetImageData[i];
						m2_num++;
						}
//				GetImageData+=1;
//				DataNum++;
			}
			if (m1_num != 0)
					m1 /= m1_num;
			if (m2_num != 0)
					m2 /= m2_num;
			if(fabs(T-(0.5*(m1 + m2)))<delt_t)
				break;
	}
	GetImageData-=DataNum;
	for(j=0;j<len;j++)
	{
		if(GetImageData[j]<=T)
			GetImageData[j]=0x00;
		else
			GetImageData[j]=0xFF;

原图：

在这里插入图片描述

二值化之后的图片：
[

我在刚开始做二值化的时候直接给定阈值进行处理，每张图片处理效果都不一样，很多时候会出现去不掉阴影的情况，此处通过参考阈值处理后达到所需要的效果。

2. 高斯滤波
（此处参考：简单易懂的高斯滤波 ）
进行简单的二值化处理之后开始Canny边缘检测的第一部分：高斯滤波。
滤波的主要目的是降噪，一般的图像处理算法都需要先进行降噪。而高斯滤波主要使图像变得平滑。
高斯函数是一个类似与正态分布的中间大两边小的函数。
对于一个位置（x,y）的像素点，其灰度值（这里只考虑二值图）为f(x,y)。
那么经过高斯滤波后的灰度值将变为：
在这里插入图片描述
简单说就是用一个高斯矩阵乘以每一个像素点及其邻域，取其带权重的平均值作为最后的灰度值。

如下图3x3的像素区域为例，此矩阵中，我们选择的原点（0，0）周围的八个点为其领域：
在这里插入图片描述
我们设σ=1.5，将这个此区域的每个像素点做高斯变换之后就得到了以下的数据：
在这里插入图片描述
此矩阵为其权重矩阵，这个区域的权重总和为0.4787147，我们需要让他们的权重和为1，于是每个点的值在除以0.4787147，此时我们重新得到了一个3x3的矩阵：
高斯模板
有了相应的3x3矩阵的权重值，我们再对原图像素点进行卷积运算，简单来说就是原图中的点附近的3x3大小区域乘以高斯模板区域。
代码如下：

for(i=widthG+1;i<((heightG-1)*widthG)-2;i++)
	{
			temp=(0.094*ImageNowg[i-widthG-1]+0.118*ImageNowg[i-widthG]+0.094*ImageNowg[i-widthG+1]
		+0.118*ImageNowg[i-1]+0.147*ImageNowg[i]+0.118*ImageNowg[i+1]+0.094*ImageNowg[i+widthG-1]
		+0.118*ImageNowg[i+widthG]+0.094*ImageNowg[i+widthG+1]);
			
			gerytemp[i]=(u8)temp;
	}
	for(j=widthG+1;j<((heightG-1)*widthG)-2;j++)
	{
		
			if(gerytemp[j]>150)
			{
					gerytemp[j]=255;	
			}
			ImageNowg[j]=gerytemp[j];
			
	}

高斯模糊后的图片（由于显示像素我没有进行色彩转换，高斯模糊的部分不是灰色），其中蓝色的部分为高斯模糊的像素。
在这里插入图片描述

3.Sobel算子与极大值抑制
Sobel算子是图像处理中的基本算子之一，他是一离散差分算子，用于计算图像亮度函数的梯度近似值。
Sobel算子有两个，一个是水平算子，一个是垂直算子。由于Sobel算子是滤波算子公式，用于提取边缘，可以利用快速卷积函数，简单有效，在Canny边缘检测被作为常用算子之一。
Sobel算子也是一种梯度幅值，该算子包含两组3x3的矩阵，分别为横向与纵向，将之与 图像作平面卷积既可以得出横向及纵向的灰度差分近似值。假设原图像为I，横向边缘检测图像为G(x),纵向边缘检测图像为G(y)，模板卷积因子如下：
在这里插入图片描述
有了模板卷积因子，我们计算出每个像素点的横向纵向梯度近似值之后，需要知道梯度的幅值大小以及梯度放向，梯度幅值由以下公式得出：
G=|G(x)+G(y)|
梯度方向公式：
Θ=artan(G(y)/G(x))
计算出梯度幅值之后，对图像进行门限处理，设定门限值为T，梯度幅值大于T时，规定该像素点的灰度值为0XFF，否则为0，即：
在这里插入图片描述
非极大值抑制
在Sobel算子对图像进行处理之后，图像的边缘不能作为最佳边缘，边缘有且应当只有一个准确的响应。非极大值抑制作用是对于梯度不是最大值的点进行抑制，对梯度图像中每个像素进行非极大值抑制的算法是：

1.将当前像素的梯度强度与沿正负梯度方向上的两个像素进行比较。
2.如果当前像素的梯度强度与另外两个像素相比最大，则该像素点保留为边缘点，否则该像素点将被抑制。
如下图所示，其中P点为当前像素点，P1,P2为领域像素梯度幅值比较点，在这三点当中，如果P点的幅值是最大值，则保留，如果不是则抑制：
在这里插入图片描述

为了方便计算，通常会在俩个相邻像素（G(i+1,j-1),G(i+1,j))，之间采用线性插值的方法计算P1，P2的梯度幅值。
具体计算方式如下：
P2=（1-tanΘ)xG(i+1,j)+tanΘxG(i+1,j-1);

P1=（1-tanΘ)xG(i-1,j)+tanΘxG(i-1,j+1);
代码如下：


	for(i=widthS+1;i<((widthS-1)*(heightS-1))-2;i++)
	{
		
		i00=ImageNow[i-widthS-1];
		i01=ImageNow[i-widthS];
		i02=ImageNow[i-widthS+1];
		i10=ImageNow[i-1];
		i12=ImageNow[i+1];
		i20=ImageNow[i+widthS-1];
		i21=ImageNow[i+widthS];
		i22=ImageNow[i+widthS+1];
		
		
		V=-i00-2*i01-i02+i20+2*i21+i22;
		H=-i00+i02-2*i10+2*i12-i20+i22;
		
		grey[i]=(u8)abs(H)+(u8)abs(V);
		
			if(grey[i]==0)
		{
			ImageOperation[i]=0x00;
			continue;
		}
		else
		{
			if(abs(H)>abs(V))///X///
			{
				weight=abs(V)/abs(H);
				if(H*V>0)
				{
					comp1=grey[i+1]*(1-weight)+grey[i-widthS+1]*weight;
					comp2=grey[i-1]*(1-weight)+grey[i+widthS-1]*weight;
				}
				else
				{
					comp1=grey[i+1]*(1-weight)+grey[i+widthS+1]*weight;
					comp2=grey[i-1]*(1-weight)+grey[i-widthS-1]*weight;
				}
			}
			else/Y/
			{
				weight=abs(H)/abs(V);
				if(H*V>0)
				{
					comp1=grey[i-widthS]*(1-weight)+grey[i-widthS+1]*weight;
					comp2=grey[i+widthS]*(1-weight)+grey[i+widthS-1]*weight;
				}
				else
				{
					comp1=grey[i+widthS]*(1-weight)+grey[i+widthS+1]*weight;
					comp2=grey[i-widthS]*(1-weight)+grey[i-widthS-1]*weight;
				}
			}

				if((grey[i]>comp1)&&(grey[i]>comp2))
					ImageOperation[i]=0xff;
				
				else
				ImageOperation[i]=0x00;
		}
		
	}
	for(j=widthS+1;j<((widthS-1)*(heightS-1))-2;j++)
	{
			ImageNow[j]=ImageOperation[j];
	}

代码中有判断当前像素梯度方向落在哪个象限的代码，具体看代码。
效果图：
在这里插入图片描述
4.双阈值处理
在施加非极大值抑制之后，剩余的像素可以更准确地表示图像中的实际边缘。然而，仍然存在由于噪声和颜色变化引起的一些边缘像素。为了解决这些杂散响应，必须用弱梯度值过滤边缘像素，并保留具有高梯度值的边缘像素，可以通过选择高低阈值来实现。如果边缘像素的梯度值高于高阈值，则将其标记为强边缘像素；如果边缘像素的梯度值小于高阈值并且大于低阈值，则将其标记为弱边缘像素；如果边缘像素的梯度值小于低阈值，则会被抑制。阈值的选择取决于给定输入图像的内容。
具体实现代码如下：


nhist=(int*)malloc((400)*sizeof(int));
	
	for(i=0;i<400;i++)
		nhist[i]=0;
	for(i=0;i<widthS*heightS;i++)
		if(ImageNow[i]==0xff)
			nhist[grey[i]]++;
	sum=0;
	for(i=0;i<400;i++)
		sum+=nhist[i];
	sum2=0;
	for(i=0;i<400;i++)
		{
			sum2+=nhist[i];
			if(sum2>(0.7*sum+0.5))
			{
				high=i;							//取出高阈值
				break;
			}
		}
	low=(int)(0.4*((float)high)+0.5);//取出低阈值
	free(nhist);
	
		for(i=widthS+1;i<widthS*heightS;i++)双阈值检测处理
		{
			if((grey[i]>=high)&&(ImageNow[i]==0xff))
							ImageNow[i]=0xff;
			else if(grey[i]>low&&grey[i]<0xff)
			{
				judge=1;
				while(judge)
				{
					for(j=-widthS;j<widthS+1;j+=widthS)
					{
						for(k=-1;k<2;k++)
						{
							if((grey[i+j+k-1]>low)&&(ImageNow[i]==0xff))
							{
								ImageNow[i+j+k-1]=0xff;
								i=i+j+k;
								cnt=0;
								break;
							}
							else
								cnt++;
							if(cnt>=8)
							{
								cnt=0;
								judge=0;
								break;
							}
						}
						if(judge==0||cnt==0)
							break;
					}
					if(j>widthS+1||cnt==0)
						judge=0;
				}
			}
			else
							ImageNow[i]=0;
		}

处理效果图：
在这里插入图片描述

由于我的图片噪声较小，与上一步的处理结果看不出太大的差别。

stm32h7的Canny边缘检测算法基本完毕，在32上运行起来和Matlab上的差距很大，我觉得应该是我图片存储方式的问题，我这里是用ImageLcd软件将图片直接转为一维数组进行操作显示的。建议使用SD卡存储图片在读取运算（由于我手头没有SD卡只能用这种方式）。
第一次写博客，有不对的地方希望多多指教！（过几天做模板匹配！冲啊）

崎岖树
关注
  • 11
    点赞
  • 踩
  • 88
    收藏
    觉得还不错? 一键收藏
  • 5
    评论
专栏目录
STM32 AI解决方案：点燃嵌入式AI应用的万点星火
qq_43416206的博客
02-07 1200
通过嵌入式AI，轻松增强应用，开启全新应用可能性，解锁AI应用普惠之道。对于使用STM32 MPU的开发人员而言，X-LINUX-AI是一个库和运行系统的集合，可简化基于OpenSTLinux的项目中经训练的AI模型的集成。ST提供了一整套工具，在STM32 MCU、MPU和智能传感器上实现边缘AI，通过简单、快速、低成本的方式为许多解决方案带来智能化，例如：预测性维护、物联网产品、智能楼宇、资产跟踪、人数统计等等。，找到最适合的工具，通过AI升级你的产品，让我们一起开启AI应用创新的崭新旅程！
STM32开发板串口调试步骤
07-14
一、CEPARK IAR_Stm32Adc: 将STM32开发板的串口连接PC机 打开程序 设置项目 点击Downloed and Debug按钮 点击go按钮 打开相应的串口，串口参数设置如下： 波特率为115200bps; 8位数据长度; 1个停止位，无校验; 禁用硬件流控制; 按复位键，从串口上助手上可以看到串口输出AD转换的值，如下图所示 二、CEPARK IAR_Stm32Bkp 将STM32开发板的串口连接PC机 打开程序 设置项目 点击Downloed and Debug按钮 点击go按钮 打开相应的串口，串口参数设置如下： 波特率为115200bps; 8位数据长度; 1个停止位，无校验; 禁用硬件流控制; 按开发板的复位键，从串口助手输出备份寄存器的内容，如下图所示。 三、CEPARK IAR_Stm32Can 将STM32开发板的串口连接PC机 打开程序 设置项目 点击Downloed and Debug按钮 点击go按钮 打开相应的串口，串口参数设置如下： 波特率为115200bps; 8位数据长度;
STM32F4图像识别
weixin_40672861的博客
08-03 1万+
一、硬件介绍 （1）主芯片采用STM32F4主控，支持单精度浮点运算，芯片硬件资源包括192KB内部RAM，512KB-1MB的FLASH（具体看芯片型号），采用分散内存架构128KB内部SRAM，64KB高速RAM，CPU可以直接访问此部分的内存（访问速度为CPU主频速度），因此通常采用内部SRAM图像采集和显示，采用CCM-RAM进行图像处理和识别，能充分发挥M4内核的优势.具有DCMI数字图像采集接口，直接采集并口摄像头图像并使用DMA传输,包含USB,PWM,USRT,SPI,I2C,CAN等众多外
stm32f407使用OV7725使用迭代阈值法进行图像二值化，图像分割
热门推荐
zhouxiaoxiaodou的博客
09-21 1万+
stm32f407使用OV7725进行采集数据，显示到LCD屏幕上面，再进行灰度处理，然后再寻找图像分割的灰度阈值，进行图像二值化。 关于图像分科可以自己百度。。。。 首先进行摄像头的图像采集，使用的是野火带FIFO的OV7725摄像头，帧速率有点慢，但是勉强还能采集数据显示。 但是在采集数据的时候，注意读时序要时间问题，否则会因为时序问题导致图像漂移，如下图： 所以在代码里面的v
76、基于STM32单片机车牌识别摄像头图像处理扫描设计(程序+原理图+PCB源文件+相关资料+参考PPT+元器件清单等)
ENGLISH_HHZ的专栏
07-01 5905
STM32系列是为要求高性能、低成本、低功耗的嵌入式应用专门设计的ARM Cortex-M3内核。按性能分成两个不同的系列：“增强型”STM32F103系列和“基本型”STM32F101系列。增强型系列的时钟频率能达到72MHz，是同类产品中频率最高的；基本型的时钟频率为36MHz，用16位产品一样的价格得到比16位产品更大的性能，是16位产品的最好选择。两个系列都有内置的32K到128K的闪存，不同的是SRAM的最大容量和外设接口的组合。
基于STM32的数字图像处理与模式识别算法优化
weixin_66608063的博客
11-23 1180
为系统提供适当的电源模块以保证正常工作。通过合理的硬件设计、配置STM32的图像采集和处理功能，使用适当的优化技术和算法，可以在STM32微控制器上实现高效的图像处理和模式识别应用。- 计算资源管理：合理管理STM32微控制器的计算资源，如使用适当的优先级策略、任务调度算法等，以提高系统资源的利用率。- 合适的数据结构和算法选择：根据具体算法的需求，选择合适的数据结构和算法，以提高算法的效率和性能。- 分类器优化：选择合适的分类器，并优化分类器的参数和结构，以提高模式识别算法的精度和速度。
OpenCV之图像二值化与去噪
MachineLP的专栏
08-11 1566
python代码： import cv2 as cv import numpy as np def method_1(image): gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY) t, binary = cv.threshold(gray, 0, 255, cv.THRESH_BINARY | cv.THRESH_OTSU) return binary def method_2(image): blurred = .
STM32——图像显示
weixin_62584795的博客
10-18 3092
STM32——图像显示
OpenMV(四)--STM32实现特征检测
魔法师の屋子★↓☆
04-29 1万+
STM32实现特征检测引前言1. 边缘检测1.1 构造函数1.2 源码分析2. 圆形识别2.1 构造函数2.2 源码分析3. 特征点识别3.1 构造函数3.2 源码分析 引 OpenMV(一)–基础介绍与硬件架构 OpenMV(二)–IDE安装与固件下载 OpenMV(三)–实时获取摄像头图片 前言 本专栏基于以STM32H743为MCU的OpenMV-H7基板，结合OV7725卷帘快门摄像头进行...
stm32使用ov2640图像二值化
m0_75276385的博客
08-09 737
以上就是今天要讲的内容，本文仅仅简单介绍了图像二值化，后期还会分享相关内容学习，想要了解的小伙伴可以关注一下博主。还有不懂的同学可以下载源码看看stm32f407+ov2640图像二值化。
STM32 OV2640 机器视觉 图像处理 滚球系统 二值化.zip
07-12
STM32 OV2640 机器视觉 图像处理 滚球系统 二值化.zip 本人亲自总结的二值化 正点原子探索者可直接测试
STM32F407+ov2640图像处理,图像经过二值化处理,通过迭代阀值,
08-05
STM32F407+ov2640图像处理,图像经过二值化处理,通过迭代阀值,完美实现图像的二值化,可以通过按键更新阀值需求,图像侦率较高无卡顿,注释非常非常详细.
德飞莱STM32开发板M3S V2.41
08-03
德飞莱STM32开发板M3S V2.41
stm32f1+ov7725进行图像处理
06-22
最近学了一点stm32做图像处理的皮毛，做了个小玩意儿，用了stm32做了灰度化，二值化，从而找到一条路线的中点，然后根据偏差对输出相应的pwm。适合初学者看看，很浅层。f1带图像有点吃力，所以分别把图像和控制分成了两块32，这样速度快一点。这是图像处理的代码。
数字图像处理---通俗Canny边缘检测
01-27
本文来自于csdn，文章主要介绍了概念基础，Canny边缘检测算法流程以及高斯滤波，也介绍了计算图像的梯度及梯度的方向等等，详情请看下文。说起边缘，那肯定是图像中明暗变化比较剧烈的像素所组成的线条。从视觉的...
图像处理-基于OpenCV实现的边缘检测算法之Canny.zip
最新发布
04-03
图像处理 图像处理_基于OpenCV实现的边缘检测算法之Canny
论文研究-基于Canny边缘检测的Catmull-Rom图像放大.pdf
07-22
为了较好地保持图像的边缘信息, 提出一种基于Canny边缘检测的Catmull-Rom图像插值放大算法。首先用Canny算子检测出原图像的边缘; 然后, 根据插值目标图像未知像素点时, 目标图像与原图像的相似性, 如果未知像素点为...
Sobel、Robert、Kirsch、高斯-拉普拉斯和canny边缘检测比较
03-31
Sobel、Robert、Kirsch、高斯-拉普拉斯和Canny边缘检测都是常用的图像边缘检测算法。它们有各自的特点和优缺点，具体比较如下： 1. Sobel算法： Sobel算法是一种基于像素点差分的边缘检测算法。它可以快速计算出图像中每个像素点的梯度值，并将其转换为灰度图像。Sobel算法具有计算速度快、边缘定位准确的特点，但是对于图像中的噪声和干扰较为敏感，容易产生误检和漏检。 2. Robert算法：Robert算法是一种基于像素点二阶差分的边缘检测算法。它在计算速度上比Sobel算法更快，但是对于边缘定位的准确性稍差。 3. Kirsch算法：Kirsch算法是一种基于像素点3x3邻域内的差分计算的边缘检测算法。它可以在较短的时间内检测出边缘，并且对于噪声和干扰的抵抗能力较强。但是，Kirsch算法对于纹理复杂的图像边缘检测效果不佳。 4. 高斯-拉普拉斯算法：高斯-拉普拉斯算法是一种基于图像卷积和拉普拉斯算子的边缘检测方法。它可以在较短的时间内检测出边缘，并且对于噪声和干扰的抵抗能力较强。但是，该算法对于边缘的粗细和方向变化较为敏感，容易产生误检和漏检。 5. Canny算法：Canny算法是一种基于多步骤的边缘检测算法。它可以在较短的时间内检测出边缘，并且对于噪声和干扰的抵抗能力较强。Canny算法的优点在于它可以自适应地选择边缘的粗细和方向，并且可以进行非最大值抑制和双阈值处理，进一步提高边缘检测的准确性。缺点在于它的计算量较大，需要进行多次卷积和阈值处理。 综上所述，不同的边缘检测算法适用于不同的场景和应用需求。在选择算法时，需要根据具体情况进行综合考虑，选择适合的算法进行边缘检测。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 5
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值