Canny算子边缘检测原理以及实现

最新推荐文章于 2021-06-13 14:10:35 发布

飘云之下

最新推荐文章于 2021-06-13 14:10:35 发布

阅读量1k

点赞数

分类专栏：随笔文章标签： OpenCV

随笔专栏收录该内容

18 篇文章 1 订阅

订阅专栏

文章转载于：https://blog.csdn.net/liuzhuomei0911/article/details/51345591

基本原理

须满足条件：抑制噪声；精确定位边缘。
从数学上表达了三个准则[信噪比准则（低错误率）、定位精度准则、单边缘响应准则]，并寻找表达式的最佳解。
属于先平滑后求导的方法。

算法基本步骤

1、使用高斯滤波平滑图像

令f(x,y)表示数据（输入源数据），G(x,y)表示二维高斯函数（卷积操作数），fs(x,y)

Guess过程

用坐标点(x,y)表示一个3×3的邻域，设中心点的坐标为(0,0)中，得到一个权重矩阵，归一化权重矩阵(矩阵中各个点除以权重之和)，得到标准的权重矩阵，即高斯模板。

计算高斯模糊。设在一幅图像中的3×3区域内，用各像素点的灰度值乘以对应点的权重。
将得到的9个值求和，就是中心点的高斯模糊值。

具体过程：http://www.ruanyifeng.com/blog/2012/11/gaussian_blur.html

卷积过程

简单来说就是使用Guess模板在原始图像中进行移位、相乘、相加的过程。

2、计算梯度的幅值图像,角度图像

补充：求变化率时，对于一元函数，即求导；对于二元函数，求偏导。

数字图像处理中，用一阶有限差分近似求取灰度值的梯度值(变化率)。
(即：使差商(Δf/Δx)近似取代微商(∂f/∂x)。求灰度的变化率，分别取x和y方向上相邻像素做差，代替求取x和y
如下图表示了中心点的梯度向量、方位角以及边缘方向。（任一点的边缘与梯度向量正交）

注意：

gx,gy,M(x,y)和α(x,y)都是与原图像大小相同的图像。

Canny

3、对幅值图像进行应用非极大值抑制

首先将角度划分成四个方向范围:水平(0°)、−45°、垂直(90°)、+45°区域的四个基本边缘方向进行非极大值抑制。

做法：若中心点（即：访问点）在沿其方向上邻域的梯度幅值最大，则保留；否则，抑制。

4、双阈值检测和连接边缘

选取高阈值TH和低阈值TL，比率为2:1或3:1。（一般取TH=0.3/0.2,TL=0.1。

注意：双阈值做法是将候选像素点拼接成轮廓，轮廓的形成时对这些像素运用滞后性阈值。

算法实现

Matlab代码

clear all;
clc;

I = imread('rice.png');%读图
% I = rgb2gray(I);%灰度转换
I = double(I);%转化为双精度
[H,W] = size(I);%获取图像大小

%%  Step1：使用高斯滤波平滑图像

B = [1 2 1;2 4 2;1 2 1];%高斯滤波系数
B = 1/16.*B;%高斯滤波模板 方差=0.8
A = conv2(I,B,'same');%使用高斯模板进行卷积.计算二维卷积,结果与原图像大小相同 

%%  Step2：计算梯度的幅值图像,角度图像.

%Prewitt梯度模板
dx = [-1 0 1;-1 0 1;-1 0 1];%x方向的梯度模板
dy = [1 1 1; 0 0 0;-1 -1 -1];%y方向的梯度模板
gx = conv2(A,dx,'same');%获取x方向的梯度图像.使用梯度模板进行二维卷积,结果与原图像大小相同
gy = conv2(A,dy,'same');%获取y方向的梯度图像.使用梯度模板进行二维卷积,结果与原图像大小相同
M = sqrt((gx.^2) + (gy.^2));%获取幅值图像.大小与原图像相等.(.^)表示数组乘方
a = atan2(gy,gx);%获取弧度，范围：-pi~pi
a = a*180/pi;%将弧度转换为角度，得到角度图像，与原图像大小相等.

%%  Step3：对幅值图像进行应用非极大值抑制

%首先将角度划分成四个方向范围:水平(0°)、-45°、垂直(90°)、+45°
for i = 1:H
    for j = 1:W
        if((a(i,j) >= -22.5) && (a(i,j) < 0)||(a(i,j) >= 0) && (a(i,j) < 22.5) || (a(i,j) <= -157.5) && (a(i,j) >= -180)||(a(i,j) >= 157.5)&&(a(i,j) <= 180))
            a(i,j) = 0;
        elseif((a(i,j) >= 22.5) && (a(i,j) < 67.5) || (a(i,j) <= -112.5) && (a(i,j) > -157.5))
            a(i,j) = -45;
        elseif((a(i,j) >= 67.5) && (a(i,j) < 112.5) || (a(i,j) <= -67.5) && (a(i,j) >- 112.5))
            a(i,j) = 90;
        elseif((a(i,j) >= 112.5) && (a(i,j) < 157.5) || (a(i,j) <= -22.5) && (a(i,j) > -67.5))
            a(i,j) = 45;  
        end
    end
end
%讨论对3x3区域的四个基本边缘方向进行非极大值抑制.获取非极大值抑制图像
Nms = zeros(H,W);%定义一个非极大值图像
for i = 2:H-1
    for j= 2:W-1
        if (a(i,j) == 0 && M(i,j) == max([M(i,j), M(i,j+1), M(i,j-1)]))
            Nms(i,j) = M(i,j);
        elseif (a(i,j) == -45 && M(i,j) == max([M(i,j), M(i+1,j-1), M(i-1,j+1)]))
            Nms(i,j) = M(i,j);
        elseif (a(i,j) == 90 && M(i,j) == max([M(i,j), M(i+1,j), M(i-1,j)]))
            Nms(i,j) = M(i,j);
        elseif (a(i,j) == 45 && M(i,j) == max([M(i,j), M(i+1,j+1), M(i-1,j-1)]))
            Nms(i,j) = M(i,j);
        end;
    end;
end;

%%  Step4:双阈值检测和连接边缘

DT = zeros(H,W);%定义一个双阈值图像
TL = 0.1 * max(max(Nms));%低阈值
TH = 0.3 * max(max(Nms));%高阈值
for i = 1  : H
    for j = 1 : W
        if (Nms(i, j) < TL)
            DT(i,j) = 0;
        elseif (Nms(i, j) > TH)
            DT(i,j) = 1 ;
        %对TL < Nms(i, j) < TH 使用8连通区域确定
        elseif ( Nms(i+1,j) < TH || Nms(i-1,j) < TH || Nms(i,j+1) < TH || Nms(i,j-1) < TH || Nms(i-1, j-1) < TH || Nms(i-1, j+1) < TH || Nms(i+1, j+1) < TH || Nms(i+1, j-1) < TH)
            DT(i,j) = 1;
        end;
    end;
end;
figure, imshow(DT); %最终的边缘检测为二值图像