Canny边缘检测及matlab实现

MATLAB边缘检测

一、目的： 

熟悉边缘检测原理，并运用matlab软件实现图像的canny边缘检测，体会canny边缘检测的优缺点。

二、内容：

编写matlab程序，实现对lena图像的边缘检测，输出程序运行结果。

三、原理或步骤：

首先回顾一下边缘检测的一般步骤：

边缘检测算法一般包含如下四个步骤：

1.滤波（去噪）。

2.增强（一般是通过计算梯度幅值）。

3.检测（在图像中有许多点的梯度幅值会比较大，而这些点并不都是边缘，所以应该用某种方法来确定边缘点，比如最简单的边缘检测判据：梯度幅值阈值）。

4.定位（有的应用场合要求确定边缘位置，可以在子像素水平上来估计，指出边缘的位置和方向）

Canny边缘检测的算法步骤：

1.用高斯滤波器平滑图像（不同尺度的Canny检测子由高斯的不同标准差来表示）用一阶偏导的有限差分来计算梯度的幅值和方向。

2.对高斯平滑后的图像进行sobel边缘检测。这里需要求横的竖的还有联合的，所以一共三个需要sobel边缘检测图像。

3.对联合的sobel检测图像进行非极大值抑制（Non-Maxima Suppression, NMS）

4.用双阈值算法检测和连接边缘，并进行滞后阈值处理。

　　其中非极大值抑制细化了幅值图像中的屋脊带，只保留幅值局部变化最大的点。

　　双阈值算法：用两个阈值得到两个阈值图像，然后把高阈值的图像中的边缘连接成轮廓，连接时到达轮廓的端点时，在低阈值图像上找可以连接的边缘。不断收集，直到所有的间隙连接起来为止。

四、运行结果和分析

每步运行效果：

Figure1原图:

Figure2  高斯模糊后:

 

Figure3  sobel边缘检测后:

Figure4  非极大抑制后:

Figure5  上阈值120，下阈值100检测结果:

Canny算子的方向性使得它的边缘检测和定位优于其他算子，具有更好的边缘强度估计，能产生梯度方向和强度两个信息。

五、算法程序

Main.m

        clear all;

close all;

clc;

img=imread('lena.bmp');

imshow(img);

[m n]=size(img);

img=double(img);

%%canny边缘检测的前两步相对不复杂，所以我就直接调用系统函数了

%%高斯滤波

w=fspecial('gaussian',[5 5]);

img=imfilter(img,w,'replicate');

figure;

imshow(uint8(img))

%%sobel边缘检测

w=fspecial('sobel');

img_w=imfilter(img,w,'replicate');      %求横边缘

w=w';

img_h=imfilter(img,w,'replicate');      %求竖边缘

img=sqrt(img_w.^2+img_h.^2);        %注意这里不是简单的求平均，而是平方和在开方。

figure;

imshow(uint8(img))

%%下面是非极大抑制

new_edge=zeros(m,n);

for i=2:m-1

    for j=2:n-1

        Mx=img_w(i,j);

        My=img_h(i,j);    

        if My~=0

            o=atan(Mx/My);      %边缘的法线弧度

        elseif My==0 && Mx>0

            o=pi/2;

        else

            o=-pi/2;            

        end

        %Mx处用My和img进行插值

        adds=get_coords(o);      %边缘像素法线一侧求得的两点坐标，插值需要       

        M1=My*img(i+adds(2),j+adds(1))+(Mx-My)*img(i+adds(4),j+adds(3));   %插值后得到的像素，用此像素和当前像素比较

        adds=get_coords(o+pi);   %边缘法线另一侧求得的两点坐标，插值需要

        M2=My*img(i+adds(2),j+adds(1))+(Mx-My)*img(i+adds(4),j+adds(3));   %另一侧插值得到的像素，同样和当前像素比较

        isbigger=(Mx*img(i,j)>M1)*(Mx*img(i,j)>=M2)+(Mx*img(i,j)<M1)*(Mx*img(i,j)<=M2); %如果当前点比两边点都大置1

        if isbigger

           new_edge(i,j)=img(i,j);

        end        

    end

end

figure;

imshow(uint8(new_edge))

%%下面是滞后阈值处理

up=120;     %上阈值

low=100;    %下阈值

set(0,'RecursionLimit',10000);  %设置最大递归深度

for i=1:m

    for j=1:n

      if new_edge(i,j)>up &&new_edge(i,j)~=255  %判断上阈值

            new_edge(i,j)=255;

            new_edge=connect(new_edge,i,j,low);

      end

    end

end

figure;

imshow(new_edge==255)