完整版Canny边缘检测算法总结.docVIP

一． Canny 边缘检测算法原理 JohnCanny 于 1986 年提出 Canny 算子，属于是先平滑后求导数的方法。其处理过 程大体上分为下面四部分。 对原始图像进行灰度化 Canny 算法通常处理的图像为灰度图，因此如果获取的是彩色图像，那首先就得进行 灰度化。对一幅彩色图进行灰度化，就是根据图像各个通道的采样值进行加权平均。以 RGB 格式的彩图为例，通常灰度化采用的方法主要有： 方法 1 ： Gray=(R+G+B)/3; 方法 2 ： Gray=0.299R+0.587G+0.114B; （这种参数考虑到了人眼的生理特点） 至于其他格式的彩色图像，可以根据相应的转换关系转为  RGB  然后再进行灰度化； 在编程时要注意图像格式中  RGB  的顺序通常为  BGR 。 对图像进行高斯滤波 图像高斯滤波的实现可以用两个一维高斯核分别两次加权实现，也可以通过一个二维 高斯核一次卷积实现。 ）高斯核实现 上式为离散化的一维高斯函数，确定参数就可以得到一维核向量。 上式为离散化的二维高斯函数，确定参数就可以得到二维核向量。 在求得高斯核后，要对整个核进行归一化处理。 2）图像高斯滤波 对图像进行高斯滤波，其实就是根据待滤波的像素点及其邻域点的灰度值按照一定的 参数规则进行加权平均。这样可以有效滤去理想图像中叠加的高频噪声。 通常滤波和边缘检测是矛盾的概念，抑制了噪声会使得图像边缘模糊，这会增加边缘 定位的不确定性；而如果要提高边缘检测的灵敏度，同时对噪声也提高了灵敏度。实际工 程经验表明，高斯函数确定的核可以在抗噪声干扰和边缘检测精确定位之间提供较好的折 衷方案。 用一阶偏导的有限差分来计算梯度的幅值和方向 关于图像灰度值得梯度可使用一阶有限差分来进行近似，这样就可以得图像在 x 和 y 方向上偏导数的两个矩阵。常用的梯度算子有如下几种： 1 ） Roberts 算子 上式为其 x 和 y 方向偏导数计算模板，可用数学公式表达其每个点的梯度幅值为： 2 ） Sobel 算子 上式三个矩阵分别为该算子的 x 向卷积模板、 y 向卷积模板以及待处理点的邻域点标 记矩阵，据此可用数学公式表达其每个点的梯度幅值为： 3 ） Prewitt 算子 和 Sobel 算子原理一样，在此仅给出其卷积模板。 4 ） Canny 算法所采用的方法 在这里实现的 Canny 算法中所采用的卷积算子比较简单，表达如下： 其 x 向、 y 向的一阶偏导数矩阵，梯度幅值以及梯度方向的数学表达式为： 求出这几个矩阵后，就可以进行下一步的检测过程。 对梯度幅值进行非极大值抑制 图像梯度幅值矩阵中的元素值越大，说明图像中该点的梯度值越大，但这不不能说明 该点就是边缘（这仅仅是属于图像增强的过程）。在 Canny 算法中，非极大值抑制是进行边缘检测的重要步骤，通俗意义上是指寻找像素点局部最大值，将非极大值点所对应的灰度值置为 0，这样可以剔除掉一大部分非边缘的点。 图  1  非极大值抑制原理 根据图 1 可知，要进行非极大值抑制，就首先要确定像素点 C 的灰度值在其 8 值邻域 内是否为最大。图 1 中蓝色的线条方向为 C 点的梯度方向，这样就可以确定其局部的最大 值肯定分布在这条线上，也即出了 C 点外，梯度方向的交点 dTmp1 和 dTmp2 这两个点的 值也可能会是局部最大值。因此，判断 C 点灰度与这两个点灰度大小即可判断 C 点是否为 其邻域内的局部最大灰度点。如果经过判断，  C 点灰度值小于这两个点中的任一个，那就 说明  C 点不是局部极大值，那么则可以排除  C 点为边缘。这就是非极大值抑制的工作原理。 非最大抑制是这样一个问题：  “当前的梯度值在梯度方向上是一个局部最大值  ”所以 ,要 把当前位置的梯度值与梯度方向上两侧的梯度值进行比较；且梯度方向垂直于边缘方向。 但实际上，我们只能得到  C 点邻域的  8 个点的值，而  dTmp1  和  dTmp2  并不在其中， 要得到这两个值就需要对该两个点两端的已知灰度进行线性插值，也即根据图  1 中的  g1 和  g2  对  dTmp1  进行插值，根据  g3  和  g4  对  dTmp2  进行插值，这要用到其梯度方向，这 是上文  Canny  算法中要求解梯度方向矩阵  Thita  的原因。 完成非极大值抑制后，会得到一个二值图像，非边缘的点灰度值均为 0 ，可能为边缘 的局部灰度极大值点可设置其灰度为 128 。这样得到的图像可能包含了很多由噪声及其他 原因造成的假边缘。因此还需要进一步的处理。 用双阈值算法检测和连接边缘 Canny 算法中减少假边缘数量的方法是采用双阈值