OpenCv入门（五）——改进边缘算法Canny

原理：通过图像信号函数的极大值来判定图像的边缘像素点。

最优边缘检测主要以下面三个参数为评判标准：

低错误率：标识出尽可能多的实际边缘以及减少噪声产生。

高定位性：表示出边缘要与图像中的实际边缘尽可能接近。

最小响应：图像的边缘标记具有唯一性，虚假响应边缘应该得到最大抑制。

目录

（一）Canny的原理

（二）Canny库函数的实现

（三）再次解释

---

（一）Canny的原理

检测步骤：

• 消除噪声

边缘检测的算法主要是基于图像强度的一阶和二阶微分操作，但导数通常对噪声很敏感，边缘检测算法常常需要根据图像源的数据进行预处理操作，因此必须采用滤波器来改善与噪声有关的边缘检测的性能。

这个预处理就是操作，就是在进行Canny算子边缘检测前，应当先对原始数据进行高斯模板进行卷积操作，可得到的图像与原始图像相比有些轻微的模糊。

通常使用高斯平滑滤波器卷积降噪：

 

 消除噪声的代码如下：

CV::GausssianBlur(src,image,Size(3,3),1.5);

• 计算幅度与方向

梯度可以使用一阶有限差分，也就是上一篇文章讲述过的图像在x和y方向上偏导数的两个矩阵，用一对卷积阵列分布作用于对应的水平与垂直方向。Canny算子中使用的sobel模板如下：

Gx为水平x方向掩码模板，Gy为垂直y方向掩码模板，K为邻域标记矩阵。

那么可以根据上面三个矩阵，可计算出图像梯度幅值以及相应的方向：

那么梯度的方向近似到四个可能的角度之一，一般取值为0，45，90，135。分别取其atan系数，就可以遍历图像了。

那么计算梯度幅值与方向如代码如下所示：

//使用Sobel计算相应的梯度幅值及方向
cv::Mat magX = cv::Mat(src.rows,src.cols,CV_32F);
cv::Mat magY = cv::Mat(src.rows,src.cols,CV_32F);
cv::Sobel(image,magX,CV_32F,1,0,3);
cv::Sobel(image,magY,CV_32F,0,1,3);
//计算斜率
cv::Mat slopes = cv::Mat(image.rows,image.cols,CV_32F);
divide(magY,magX,slopes);
//计算每个点的梯度
cv::Mat sum = cv::Mat(image.rows,image.cols,CV_64F);
cv::Mat prodX = cv::Mat(image.rows,image.cols,CV_64F);
cv::Mat prodY = cv::Mat(image.rows,image.cols,CV_64F);
//平方
multiply(magX,magY,prodX);
multiply(magY,magY,prodY);
sum = prodX + prodY;
//开平方，求出G
sqrt(sum,sum);
cv::Mat magnitude = sum.clone();

• 非极大值抑制

在上一篇边缘检测的文章中是有做介绍的，在Canny算法中，非极大值抑制是进行边缘检测的重要步骤。

非极大值抑制通俗的讲是这样的：

寻找像素点局部的最大值，将非极大值点所对应的灰度值设置为背景像素点，像素领域区域满足梯度值的局部最优值判断为该像素的边缘，对其余非极大值的相关信息进行抑制，利用该准则可以剔除大部分非边缘点。

那么利用程序可以这么写：

//非极大值抑制
void nonMaximumSuppression(Mat &magnitudeImage, 
  Mat &directionImage)