基于candy算子的边缘检测技术学习.docVIP

基于candy算子的边缘检测技术学习 在数字图像中“边缘”往往包含着丰富且有用的信息，如城市中的道路、河流的水涯线、建筑物的边界等，这些边缘信息在数字摄影测量、模式识别等领域有着重要的研究意义。对于人脸检测来说,一个好的边缘检测算法能很好的划分出待检测区域,有效降低无检测率。对边缘检测算法进行研究性学习，了解该算法的执行过程和有关改进，对于人脸检测领域的深入学习是不可或缺的。在众多的边缘检测算子中，Canny算子是目前最受欢迎的边缘检测算子口]。Canny算子具有良好的信噪比，对单一边缘具有唯一响应，较好的定位性能等优点，因此决定对其深入学习了解。 Canny边缘检测算子(Canny，1986)主要由3个目标形成：无附加响应的最优检测、检测边缘位置和实际边缘位置之问距离最小的正确定位、减少单边缘的多重响应而得到单响应。为实现以上3个目标，Canny边缘检测的主要步骤如下： (1)对图像应用高斯平滑处理Canny指出高斯算子对图像平滑处理是最优的。二维高斯平滑算子如下： 沿水平和垂直两个方向进行微分，可以得到： 通过微分，把二维平滑算子分解为水平和垂直两个方向的滤波器，从而提高了平滑的速度。 (2)计算图像的梯度 传统Canny算子采用2×2邻域一阶偏导的有限差分来计算平滑后的数据阵列I(z，y)的梯度幅值和方向，其中水平和垂直方向的差分算子分别为： Dx[i,j]=(I[i,j+1]-I[i,j]+I[i+1,j+1]-[i+1,j])/2 Dy[i,j]=( I[i,j] - I[i+1,j] + I[i,j+1]- I[i+1,j+1])/2 此处的梯度模值和方向分别为： (3)抑制局部非最大(MNS) 数字图像中的边缘对应图像中灰度变化剧烈的部分，即梯度模值比较大的部分，因此可以把边缘检测问题转换为计算梯度模值的局部极大值的问题，即将梯度模值的局部极大值点作为边缘，这一过程就是抑制局部非最大的过程(Non-maxima Sup—pression，NMS)。通过抑制局部非最大，可以提取出图像中粗略的边缘信息。Canny算子通过对每个梯度非零的点，沿梯度方向上查找相邻像素的梯度模值，如果该点梯度模值小于任意一个相邻像素的梯度模值，将该点剔除，并将其梯度模值设为零；如果该点梯度模值大于相邻两个像素的梯度模值，则将该点保留，作为边缘像素的候选点。 通过抑制局部非最大，可以提取出图像中粗略的边缘信息。Canny算子通过对每个梯度非零的点，沿梯度方向上查找相邻像素的梯度模值，如果该点梯度模值小于任意一个相邻像素的梯度模值，将该点剔除，并将其梯度模值设为零；如果该点梯度模值大于相邻两个像素的梯度模值，则将该点保留，作为边缘像素的候选点。 (4)双门限检测与连接边缘 非极大值抑制后的图像中的边缘只是粗略的边缘，还要经过双门限检测以剔除伪边缘点。Canny算子通过设定高低两个阈值，如果边缘候选点的梯度模值小于低阈值，则判定该点是伪边缘点；如果边缘候选点的梯度模值大于高阈值，则判定该点是边缘点；如果边缘候选点的梯度模值小于高阈值而大于低阈值，那么判断此点与前面得到的边缘点是否为8连通，若是的话则将此点记为边缘点，得到的图像就是边缘图像。 以上是Canny算子的基本算法，下面是对Canny算子的一些改进： Canny算法在对具有模糊边缘的图像进行边缘检测时，整幅图像仅仅采用了两个阈值，往往不能兼顾图像各处的具体情况，所以效果是不理想的。因为用固定阈值进行边缘检测很可能导致边缘在模糊处丢失。为了让canny算法能够更精确的检测图像中目标的边界，在对图像进行预处理时，先将其分割成若干子图像；然后针对每幅子图像中的具体情况，选用不同的阈值，最后采用上一步中所选择的阈值对整幅图像进行动态分割。 动态阈值算法仍然使用双阈值来检测子图像的边缘。但由于目标与背景的灰度值有部分交错，通常希望分割后误差最小，因而该算法采用最优阈值法求出其中的一个阚值： 其中：和分别是背景与目标区域的平均灰度值，是关于均值的均方差，和分别为背景和目标区域灰度值的先验概率。改进算法的图像处理结果如下： 参考文献： [1] 曲秀君.一种改进Canny算子[A].电脑学习杂志.北京：电脑学习，2010:04-20 [2] 薛武，张永生，董广军，纪松，于英. Canny算子子像素边缘检测方法[A].郑州：信息工程大学测绘学院，2013