Canny边缘检测原理及C#程序实现-阿里云开发者社区

开发者社区> 人工智能> 正文
登录阅读全文

Canny边缘检测原理及C#程序实现

简介: 原文:Canny边缘检测原理及C#程序实现     Canny边缘检测是被公认的检测效果最好的边缘检测方法,是由John F. Canny于1986年提出,算法目标是找出一个最优的边缘检测的方法,所谓最优即:1.好的检测:算法能够尽可能的标识出图像的边缘;2.好的定位:标识出的边缘要尽可能的与实际边缘相接近;3.最小响应:图像中的边缘只能标识一次,并且不能把噪声标识成边缘。
原文:Canny边缘检测原理及C#程序实现

    Canny边缘检测是被公认的检测效果最好的边缘检测方法,是由John F. Canny于1986年提出,算法目标是找出一个最优的边缘检测的方法,所谓最优即:1.好的检测:算法能够尽可能的标识出图像的边缘;2.好的定位:标识出的边缘要尽可能的与实际边缘相接近;3.最小响应:图像中的边缘只能标识一次,并且不能把噪声标识成边缘。同时我们也要满足3个准则:信噪比准则、定位精度准则、单边缘响应准则。

    Canny边缘检测算法可分为4步:

    高斯滤波器平滑、计算梯度、非极大值抑制、双阈值边缘检测和边缘连接。

    (经典不会随着时间褪色,算法也是一样)

    下面将逐步讲解并给出程序:

    第一步:高斯平滑

    为什么要对图像(灰度图像)进行高斯平滑预处理呢?高斯滤波器对去除服从正态分布的的噪声很有效,我做过实验,随着高斯模板的增大,被识别的边缘会逐渐减少,所以通过选着适合大小的高斯模板平滑,可以比较有效的去除一些伪边缘点。

    第二步:计算梯度

    首先,由一阶导数算子(一般用sobel模板)计算灰度图像每个像素点在水平和竖直方向上的导数Gx、Gy,得出梯度向量(Gx,Gy),计算梯度的值G和方向theta:

        G=sqrt(Gx*Gx+Gy*Gy)  theta=arctan(Gy/Gx)

然后,将每个像素点的梯度的值和方向分别放入两个数组中,程序如下:

byte[] orients = new byte[width * height];// 梯度方向数组
float[,] gradients = new float[width, height];// 梯度值数组
double gx, gy;
for (int i = 1; i < (height - 1);i++ )
    {
        for (int j = 1; j < (width - 1); j++)
            {
			    //求水平和竖直导数
                gx = bufdata[(i - 1) * width + j] + bufdata[(i + 1) * width + j] - bufdata[(i -1) * width + j - 1] - bufdata[(i + 1) * width + j - 1]+ 2*(bufdata[i * width + j + 1] - bufdata[i * width + j - 1]);
                gy = bufdata[(i - 1) * width + j - 1] + bufdata[(i + 1) * width + j + 1] - bufdata[(i + 1) * width + j - 1] - bufdata[(i + 1) * width + j + 1]+ 2*(bufdata[(i - 1) * width + j] - bufdata[(i + 1) * width + j - 1]);
                gradients[j, i] = (float)Math.Sqrt(gx * gx + gy * gy);
                if (gx == 0)
                {
                    orientation = (gy == 0) ? 0 : 90;
                }
                else
                {
                    double div = (double)gy / gx;

                    if (div < 0)
                    {
                        orientation = 180 - Math.Atan(-div) * toAngle;
                    }
                     else
                    {
                         orientation = Math.Atan(div) * toAngle;
                    }
                     //只保留成4个方向
                     if (orientation < 22.5)
                                orientation = 0;
                            else if (orientation < 67.5)
                                orientation = 45;
                            else if (orientation < 112.5)
                                orientation = 90;
                            else if (orientation < 157.5)
                                orientation = 135;
                            else orientation = 0;
                }
                orients[i*width+j] = (byte)orientation;
            }
    } 

 

     第三步:非极大值抑制

     如果直接把梯度作为边缘的话,将得到一个粗边缘的图像,这不满足上面提到的准则,我们希望得到定位准确的单像素的边缘,所以将每个像素点的梯度与其梯度方向上的相邻像素比较,如果不是极大值,将其置0,否则置为某一不大于255的数,程序如下:

  float leftPixel = 0, rightPixel = 0;
  for (int y = 1; y <height-1; y++)
  {
    for (int x = 1; x < width-1; x++)
        {
            //获得相邻两像素梯度值
            switch (orients[y * width + x])
                {
                    case 0:
                        leftPixel = gradients[x - 1, y];
                        rightPixel = gradients[x + 1, y];
                        break;
                    case 45:
                        leftPixel = gradients[x - 1, y + 1];
                        rightPixel = gradients[x + 1, y - 1];
                        break;
                    case 90:
                        leftPixel = gradients[x, y + 1];
                        rightPixel = gradients[x, y - 1];
                        break;
                    case 135:
                        leftPixel = gradients[x + 1, y + 1];
                        rightPixel = gradients[x - 1, y - 1];
                        break;
                }
                if ((gradients[x, y] < leftPixel) || (gradients[x, y] < rightPixel))
                    {
                        dis[y * disdata.Stride + x] = 0;
                    }
                else
                    {
                         dis[y * disdata.Stride + x] = (byte)(gradients[x, y] /maxGradient* 255);//maxGradient是最大梯度
                    }

        }  
}	

 

       第四步:双阈值边缘检测

    由上一步得到的边缘还有很多伪边缘,我们通过设置高低双阈值的方法去除它们,具体思想是:梯度值大于高阈值的像素点认为其一定是边缘,置为255,梯度值小于低阈值的像素点认为其一定不是边缘置为0,介于两阈值之间的点像素点为待定边缘。然后,考察这些待定边缘点,如果其像素点周围8邻域的梯度值都小于高阈值,认为其不是边缘点,置为0;至于,如何设定双阈值大小,我们可以根据实际情况设定,如设成100和20,也可以根据图像梯度值的统计信息设定,一般小阈值是大阈值的0.4倍即可。程序如下:

fmean = fmean / maxGradient * 255;//某统计信息
highThreshold = (byte)(fmean);//高阈值
lowThreshold = (byte)(0.4 * highThreshold); //低阈值                              
for (int y = 0; y < height; y++)
    {
    for (int x = 0; x < width; x++)
        {
             if (dis[y * disdata.Stride + x] < highThreshold)
                {
                    if (dis[y * disdata.Stride + x] < lowThreshold)
                        {
                        dis[y * disdata.Stride + x] = 0;
                        }
                     else
                        {
                            if ((dis[y * disdata.Stride + x - 1] < highThreshold) &&
                                (dis[y * disdata.Stride + x + 1] < highThreshold) &&
                                (dis[(y - 1) * disdata.Stride + x - 1] < highThreshold) &&
                                (dis[(y - 1) * disdata.Stride + x] < highThreshold) &&
                                (dis[(y - 1) * disdata.Stride + x + 1] < highThreshold) &&
                                (dis[(y + 1) * disdata.Stride + x - 1] < highThreshold) &&
                                (dis[(y + 1) * disdata.Stride + x] < highThreshold) &&
                                (dis[(y + 1) * disdata.Stride + x + 1] < highThreshold))
                               {
                                    dis[y * disdata.Stride + x] = 0;
                               }
                        }
                }
        }
    }

      最后,效果图如下

原图:

灰度图:

边缘图:


 

 

版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

分享:
人工智能
使用钉钉扫一扫加入圈子
+ 订阅

了解行业+人工智能最先进的技术和实践,参与行业+人工智能实践项目

其他文章