Canny边缘检测算法原理及其VC实现详解(三)

最新推荐文章于 2024-12-10 13:55:05 发布
转载 最新推荐文章于 2024-12-10 13:55:05 发布 · 1k 阅读 · 0
文章标签：

#canny #滤波

本文详细介绍了一种图像处理技术，包括如何计算图像的梯度及其方向，通过求解每个像素点的梯度方向和灰度值来识别潜在边缘，并采用非极大值抑制算法筛选出真正的边缘像素。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

转载自：http://blog.youkuaiyun.com/likezhaobin/article/details/6892629

3.3 图像增强——计算图像梯度及其方向

      根据上文分析可知，实现代码如下
  1. //////////////////同样可以用不同的检测器/////////////////////////  
  2. /////    P[i,j]=(S[i,j+1]-S[i,j]+S[i+1,j+1]-S[i+1,j])/2     /////  
  3. /////    Q[i,j]=(S[i,j]-S[i+1,j]+S[i,j+1]-S[i+1,j+1])/2     /////  
  4. /////////////////////////////////////////////////////////////////  
  5. double* P = new double[nWidth*nHeight];                 //x向偏导数  
  6. double* Q = new double[nWidth*nHeight];                 //y向偏导数  
  7. int* M = new int[nWidth*nHeight];                       //梯度幅值  
  8. double* Theta = new double[nWidth*nHeight];             //梯度方向  
  9. //计算x,y方向的偏导数  
  10. for(i=0; i<(nHeight-1); i++)  
  11. {  
  12.         for(j=0; j<(nWidth-1); j++)  
  13.         {  
  14.               P[i*nWidth+j] = (double)(pCanny[i*nWidth + min(j+1, nWidth-1)] - pCanny[i*nWidth+j] + pCanny[min(i+1, nHeight-1)*nWidth+min(j+1, nWidth-1)] - pCanny[min(i+1, nHeight-1)*nWidth+j])/2;  
  15.               Q[i*nWidth+j] = (double)(pCanny[i*nWidth+j] - pCanny[min(i+1, nHeight-1)*nWidth+j] + pCanny[i*nWidth+min(j+1, nWidth-1)] - pCanny[min(i+1, nHeight-1)*nWidth+min(j+1, nWidth-1)])/2;  
  16.     }  
  17. }  
  18. //计算梯度幅值和梯度的方向  
  19. for(i=0; i<nHeight; i++)  
  20. {  
  21.         for(j=0; j<nWidth; j++)  
  22.         {  
  23.               M[i*nWidth+j] = (int)(sqrt(P[i*nWidth+j]*P[i*nWidth+j] + Q[i*nWidth+j]*Q[i*nWidth+j])+0.5);  
  24.               Theta[i*nWidth+j] = atan2(Q[i*nWidth+j], P[i*nWidth+j]) * 57.3;  
  25.               if(Theta[i*nWidth+j] < 0)  
  26.                     Theta[i*nWidth+j] += 360;              //将这个角度转换到0~360范围  
  27.     }  
  28. }  


3.4 非极大值抑制

      根据上文所述的工作原理，这部分首先需要求解每个像素点在其邻域内的梯度方向的两个灰度值，然后判断是否为潜在的边缘，如果不是则将该点灰度值设置为0.

      首先定义相关的参数如下：

 

  1. unsigned char* N = new unsigned char[nWidth*nHeight];  //非极大值抑制结果  
  2. int g1=0, g2=0, g3=0, g4=0;                            //用于进行插值，得到亚像素点坐标值  
  3. double dTmp1=0.0, dTmp2=0.0;                           //保存两个亚像素点插值得到的灰度数据  
  4. double dWeight=0.0;                                    //插值的权重  
      其次，对边界进行初始化：

 

  1. for(i=0; i<nWidth; i++)  
  2. {  
  3.         N[i] = 0;  
  4.         N[(nHeight-1)*nWidth+i] = 0;  
  5. }  
  6. for(j=0; j<nHeight; j++)  
  7. {  
  8.         N[j*nWidth] = 0;  
  9.         N[j*nWidth+(nWidth-1)] = 0;  
  10. }  
      进行局部最大值寻找，根据上文图1所述的方案进行插值，然后判优，实现代码如下：
  1. for(i=1; i<(nWidth-1); i++)  
  2. {  
  3.     for(j=1; j<(nHeight-1); j++)  
  4.     {  
  5.         int nPointIdx = i+j*nWidth;       //当前点在图像数组中的索引值  
  6.         if(M[nPointIdx] == 0)  
  7.             N[nPointIdx] = 0;         //如果当前梯度幅值为0，则不是局部最大对该点赋为0  
  8.         else  
  9.         {  
  10.         ////////首先判断属于那种情况，然后根据情况插值///////  
  11.         ////////////////////第一种情况///////////////////////  
  12.         /////////       g1  g2                  /////////////  
  13.         /////////           C                   /////////////  
  14.         /////////           g3  g4              /////////////  
  15.         /////////////////////////////////////////////////////  
  16.         if( ((Theta[nPointIdx]>=90)&&(Theta[nPointIdx]<135)) ||   
  17.                 ((Theta[nPointIdx]>=270)&&(Theta[nPointIdx]<315)))  
  18.             {  
  19.                 //////根据斜率和四个中间值进行插值求解  
  20.                 g1 = M[nPointIdx-nWidth-1];  
  21.                 g2 = M[nPointIdx-nWidth];  
  22.                 g3 = M[nPointIdx+nWidth];  
  23.                 g4 = M[nPointIdx+nWidth+1];  
  24.                 dWeight = fabs(P[nPointIdx])/fabs(Q[nPointIdx]);   //反正切  
  25.                 dTmp1 = g1*dWeight+g2*(1-dWeight);  
  26.                 dTmp2 = g4*dWeight+g3*(1-dWeight);  
  27.             }  
  28.         ////////////////////第二种情况///////////////////////  
  29.         /////////       g1                      /////////////  
  30.         /////////       g2  C   g3              /////////////  
  31.         /////////               g4              /////////////  
  32.         /////////////////////////////////////////////////////  
  33.             else if( ((Theta[nPointIdx]>=135)&&(Theta[nPointIdx]<180)) ||   
  34.                 ((Theta[nPointIdx]>=315)&&(Theta[nPointIdx]<360)))  
  35.             {  
  36.                 g1 = M[nPointIdx-nWidth-1];  
  37.                 g2 = M[nPointIdx-1];  
  38.                 g3 = M[nPointIdx+1];  
  39.                 g4 = M[nPointIdx+nWidth+1];  
  40.                 dWeight = fabs(Q[nPointIdx])/fabs(P[nPointIdx]);   //正切  
  41.                 dTmp1 = g2*dWeight+g1*(1-dWeight);  
  42.                 dTmp2 = g4*dWeight+g3*(1-dWeight);  
  43.             }  
  44.         ////////////////////第三种情况///////////////////////  
  45.         /////////           g1  g2              /////////////  
  46.         /////////           C                   /////////////  
  47.         /////////       g4  g3                  /////////////  
  48.         /////////////////////////////////////////////////////  
  49.             else if( ((Theta[nPointIdx]>=45)&&(Theta[nPointIdx]<90)) ||   
  50.                 ((Theta[nPointIdx]>=225)&&(Theta[nPointIdx]<270)))  
  51.             {  
  52.                 g1 = M[nPointIdx-nWidth];  
  53.                 g2 = M[nPointIdx-nWidth+1];  
  54.                 g3 = M[nPointIdx+nWidth];  
  55.                 g4 = M[nPointIdx+nWidth-1];  
  56.                 dWeight = fabs(P[nPointIdx])/fabs(Q[nPointIdx]);   //反正切  
  57.                 dTmp1 = g2*dWeight+g1*(1-dWeight);  
  58.                 dTmp2 = g3*dWeight+g4*(1-dWeight);  
  59.             }  
  60.             ////////////////////第四种情况///////////////////////  
  61.             /////////               g1              /////////////  
  62.             /////////       g4  C   g2              /////////////  
  63.             /////////       g3                      /////////////  
  64.             /////////////////////////////////////////////////////  
  65.             else if( ((Theta[nPointIdx]>=0)&&(Theta[nPointIdx]<45)) ||   
  66.                 ((Theta[nPointIdx]>=180)&&(Theta[nPointIdx]<225)))  
  67.             {  
  68.                 g1 = M[nPointIdx-nWidth+1];  
  69.                 g2 = M[nPointIdx+1];  
  70.                 g3 = M[nPointIdx+nWidth-1];  
  71.                 g4 = M[nPointIdx-1];  
  72.                 dWeight = fabs(Q[nPointIdx])/fabs(P[nPointIdx]);   //正切  
  73.                 dTmp1 = g1*dWeight+g2*(1-dWeight);  
  74.                 dTmp2 = g3*dWeight+g4*(1-dWeight);  
  75.             }  
  76.         }         
  77.         //////////进行局部最大值判断，并写入检测结果////////////////  
  78.         if((M[nPointIdx]>=dTmp1) && (M[nPointIdx]>=dTmp2))  
  79.             N[nPointIdx] = 128;  
  80.         else  
  81.             N[nPointIdx] = 0;  
  82.         }  
  83. }  
【思维导图】canny滤波 原理步骤细致剖析
weixin_46306002的博客
11-01 2978
canny滤波 原理步骤细致剖析 制作人 霏儿，百度飞桨PPDE开发者技术专家，计算机视觉、虚拟现实、元宇宙，欢迎技术交流 目的 最优边缘检测 含义 最优检测 算法能够尽可能多地标识出图像中的实际边缘 最优定位准则 标识出的边缘要尽可能与实际图像中的实际边缘尽可能接近 检测点与边缘点一一对应 图像中的边缘只能标识一次 步骤 转为灰度图 减少计算开销 滤波 高斯滤波 卷积核满足正态分布 核越大，图像越模糊 高斯核大小将影响canny滤波器的性能 尺寸越大，滤波器对噪声的敏感.
Canny边缘检测（高斯滤波，计算图像的梯度和梯度方向，非极大值抑制NMS，双阈值筛选边缘）
qq_40243295的博客
03-08 1万+
计算机如何识别边缘：即颜色变化较大的地方 Canny： 1.高斯滤波： 首先我们先说一下，什么是高斯噪声？高斯噪声就是它的概率密度函数服从高斯分布（即正态分布）的一类噪声。其在图像当中常表现为能引起较强视觉效果的孤立像素点或像素块。噪声的出现会给图像带来干扰，让图像变得不清楚。 高斯滤波就是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到。...
Python实现：高斯滤波 均值滤波 中值滤波 Canny(边缘检测）PCA主成分分析 直方图规定化 Mean_Shift
qq_43648478的博客
12-16 3924
Python实现：高斯滤波 均值滤波 中值滤波 Canny(边缘检测）PCA主成分分析 直方图规定化 Mean_Shift（文末附上整合这些函数的可视化界面并且已做打包处理
几种滤波算法的适用场景（学习笔记）
qq_50380073的博客
06-28 5443
在图像处理中，常用的滤波算法有均值滤波、中值滤波、高斯滤波和双边滤波。它们各自适用于不同的应用场景。
OpenCV之canny（）函数，边缘检测，高斯平滑滤波的理解
weixin_48306625的博客
08-04 4452
草鸡详细的canny（）函数理解和代码实现 一个电脑小白的自我成长之路^_&。 canny（）边缘检测过程 1.Canny边缘检测算子是John F. Canny于 1986 年开发出来的一个多级边缘检测算法。 2.Canny 的目标是找到一个最优的边缘检测算法，最优边缘检测的含义是： 好的检测- 算法能够尽可能多地标识出图像中的实际边缘。 好的定位- 标识出的边缘要尽可能与实际图像中的实际边缘尽可能接近。 最小响应- 图像中的边缘只能标识一次，并且可能存在的图像噪声不应标识为边缘。 3.算法步骤：
Canny边缘检测算法原理及其VC实现详解
04-15
在本文中，我们将深入探讨Canny边缘检测的原理，并介绍如何在Visual C++（VC）环境中实现这一算法。 Canny算法主要包括以下几个步骤： 1. **高斯滤波**：首先，对输入图像进行高斯平滑处理，以消除噪声。高斯...
canny算法双阈值连接边缘c语言实现,Canny边缘检测算法原理及其VC实现详解(一)
weixin_42204930的博客
05-23 1295
图象的边缘是指图象局部区域亮度变化显著的部分，该区域的灰度剖面一般可以看作是一个阶跃，既从一个灰度值在很小的缓冲区域内急剧变化到另一个灰度相差较大的灰度值。图象的边缘部分集中了图象的大部分信息，图象边缘的确定与提取对于整个图象场景的识别与理解是非常重要的，同时也是图象分割所依赖的重要特征，边缘检测主要是图象的灰度变化的度量、检测和定位，自从1959提出边缘检测以来，经过五十多年的发展，已有许多中不...
OpenCV Canny边缘检测算法原理及其VC实现详解
ytffhew的博客
11-13 628
OpenCV Canny边缘检测算法原理及其VC实现详解
Canny边缘检测算法原理及其VC实现详解(二)
热门推荐
奋斗斌斌的专栏
10-21 6万+
3、  Canny算法的实现流程        由于本文主要目的在于学习和实现算法，而对于图像读取、视频获取等内容不进行阐述。因此选用OpenCV算法库作为其他功能的实现途径（关于OpenCV的使用，作者将另文表述）。首先展现本文将要处理的彩色图片。 图2 待处理的图像 3.1 图像读取和灰度化        编程时采用上文所描述的第二种方法来实现图像的灰度化。其中ptr数
高斯图像滤波原理及其编程离散化实现方法
奋斗斌斌的专栏
09-29 5万+
本文主要根据作者的理解整理而来，有什么错误之处，请大家共同讨论指出。 1、图像滤波         在三维计算机视觉领域，通常对于二维图像的特征抽取是很关键的第一步，这主要包括抽取二维图像上的边缘、角点、纹理等。通常从这些被称为基元图的组成部分中，我们可以提取图像的以下特征：         1）不同物体边缘成像所带来的灰度跃变；         2）物体不同材料或
canny滤波器
12-15
使用MATLAB实现的Canny边缘算子检测
A Computational Approach to Edge Detection (1986)
04-09
是JOHN CANNY大师在1986年写的关于边检测论文，该论文是起始文件． 有兴趣的同学自己下载哈　
【C++】【Opencv】cv::Canny()边缘检测函数详解和示例
不定时分享，互相学习，共同进步
11-19 7902
Canny边缘检测是一种流行的边缘检测算法，由John F. Canny在1986年开发。它是一种多阶段过程，包括噪声滤波、计算图像强度的梯度、非最大值抑制以及双阈值检测。本文通过函数原型解读和示例对cv::Canny()函数进行详解，以帮助大家理解和使用。
Canny边缘检测算法
爱学习的小刘芒的博客
06-21 1万+
Canny边缘检测算法---matlab , lingo , python中应用
数字图像处理学习笔记（七）锐化滤波：Sobel算子、Canny算子、拉普拉斯算子
qq_43663263的博客
06-21 5949
实验截图： 不同锐化滤波处理后的结果 实验代码： img=imread('erciyuan.jpg'); subplot(221); imshow(img); title('原图'); subplot(222); sobel=edge(rgb2gray(img),'sobel'); imshow(sobel); title('Sobel算子后的图'); subplot(223); canny=edge(rgb2gray(img),'canny'); imshow(canny); tit
自适应中值滤波的Canny边缘检测和限定ROI滤除干扰边缘
每天努力一点点
05-27 697
ROI区域的设定，可以很好的减少周边杂物，噪声的干扰。
西电计算机视觉实验1--实现Sobel、Canny算子滤波
weixin_42262636的博客
09-25 549
我们认为图像在0度、45度、90度、135度中的某一个方向上变化，如果（x，y）梯度角度是0度，则比较此处的左右两边的像素值大小，如果此处值大于两边的值，则认为这里的图像变化主要由（x， y）引起的，（x， y）点像素值保留。（x， y）点为强边缘，其附近的八连通图中，只有一个或者没有强边缘，则认为（x， y）为孤立点，（x，y）像素值为0。（x， y）点附近的八连通图内，如果有四个或者四个以上的强边缘（大于255），则认为（x， y）也为强边缘。1存储在my_cannyFunction.py文件。
十八、计算机视觉-canny边缘检测
asplh的专栏
09-09 1706
Canny边缘检测是计算机视觉领域中常用的一种边缘检测算法，它由约翰·凯恩（John Canny）于1986年提出，是一种多阶段的算法，具有较好的性能和准确性。Canny边缘检测算法的主要优点包括良好的边缘定位精度、抑制噪声的能力以及对边缘连接的稳健性。然而，它也存在一些缺点，如计算复杂度较高、对参数的敏感性等。因此，在实际应用中，需要根据具体情况进行参数调整和优化。
掌握Canny边缘检测：从理论到实践
最新发布
weixin_35906794的博客
12-10 1422
本文还有配套的精品资源，点击获取 简介：Canny边缘检测算法是计算机视觉中用于提取图像清晰边缘的重要技术。通过使用高斯滤波去除噪声、计算梯度强度和方向来标识边缘、应用非极大值抑制消除虚假边缘、双阈值检测以确保边缘连续性和稳定性，并通过后处理步骤连接边缘，最终使用Matlab中的 edge 函数实现边缘检测。Canny滤波器广泛应用于机器人导航、自动驾驶和医学...
Canny算法原理与VC实现深度解析
Canny边缘检测算法的VC实现要求开发者对图像处理有深入的认识，并熟悉VC开发环境和可能用到的图像处理库，如OpenCV。在实际应用中，调整算法的参数，如高斯核的大小和标准差、高低阈值等，对于获取最佳的边缘检测...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值