TAKASHI

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

void cvCanny( const CvArr* image,CvArr* edges,double threshold1,double threshold2, int aperture_size=3 );

 

 

image輸入單通道圖像（可以是彩色圖像）對於多通道的圖像可以用cvCvtColor()修改。

---------------------------------------------------------------------------------

edges 輸出的邊緣圖像，也是單通道的，但是是黑白的

---------------------------------------------------------------------------------

threshold1第一個閾值

---------------------------------------------------------------------------------

threshold2 第二個閾值

---------------------------------------------------------------------------------

aperture_size Sobel 算子內核大小

 

小叮嚀:cvCanny只接受單通道圖像作為輸入

 

Canny邊緣檢測算法原理

屬於是先平滑後求導數的方法

Step.1   對原始圖像進行灰度化

Canny算法通常處理的圖像為灰度圖，因此如果攝像機獲取的是彩色圖像，那首先就得進行灰度化。對一幅彩色圖進行灰度化，就是根據圖像各個通道的採樣值進行加權平均。以RGB格式的彩圖為例，通常灰度化採用的方法主要有：

        方法1：Gray=(R+G+B)/3;

        方法2：Gray=0.299R+0.587G+0.114B;（這種參數考慮到了人眼的生理特點）

        注意1：至於其他格式的彩色圖像，可以根據相應的轉換關係轉為RGB然後再進行灰度化；

        注意2：在編程時要注意圖像格式中R->G->B的順序通常為B->G->R。

Step.2     對圖像進行高斯濾波

             圖像高斯濾波的實現可以用兩個一維高斯核分別兩次加權實現，也可以通過一個二維高斯核一次卷積實現。

Step.3    用一階偏導的有限差分來計算梯度的幅值和方向

Canny算法所採用的方法

 

        在本文實現的Canny算法中所採用的捲積算子比較簡單，表達如下：

 

 

 

 

 

 

         

        其x向、y向的一階偏導數矩陣，梯度幅值以及梯度方向的數學表達式為：

 

 

 

 

 

 

 

 

 

 

 

 

 

 

        求出這幾個矩陣後，就可以進行下一步的檢測過程。

 

Step.4        對梯度幅值進行非極大值抑制        

圖像梯度幅值矩陣中的元素值越大，說明圖像中該點的梯度值越大，但這不不能說明該點就是邊緣（這僅僅是屬於圖像增強的過程）。在Canny算法中，非極大值抑制是進行邊緣檢測的重要步驟，通俗意義上是指尋找像素點局部最大值，將非極大值點所對應的灰度值置為0，這樣可以剔除掉一大部分非邊緣的點（這是本人的理解）。

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

根據圖1 可知，要進行非極大值抑制，就首先要確定像素點C的灰度值在其8值鄰域內是否為最大。

圖1中藍色的線條方向為C點的梯度方向，這樣就可以確定其局部的最大值肯定分佈在這條線上，

也即出了C點外，梯度方向的交點dTmp1和dTmp2這兩個點的值也可能會是局部最大值。

因此，判斷C點灰度與這兩個點灰度大小即可判斷C點是否為其鄰域內的局部最大灰度點。

如果經過判斷，C點灰度值小於這兩個點中的任一個，那就說明C點不是局部極大值，那麼則可以排除C點為邊緣。

這就是非極大值抑制的工作原理。

 

作者認為，在理解的過程中需要注意以下兩點：

        (1)中非最大抑制是回答這樣一個問題："當前的梯度值在梯度方向上是一個局部最大值嗎？"

             所以,要把當前位置的梯度值與梯度方向上兩側的梯度值進行比較；

        (2)梯度方向垂直於邊緣方向。

        但實際上，我們只能得到C點鄰域的8個點的值，而dTmp1和dTmp2並不在其中，

        要得到這兩個值就需要對該兩個點兩端的已知灰度進行線性插值，也即根據圖1中的g1和g2對dTmp1進行插值，

        根據g3和g4對dTmp2進行插值，這要用到其梯度方向，這是上文Canny算法中要求解梯度方向矩陣Thita的原因。

 

        完成非極大值抑制後，會得到一個二值圖像，非邊緣的點灰度值均為0，可能為邊緣的局部灰度極大值點可設置其灰度為128。         根據下文的具體測試圖像可以看出，這樣一個檢測結果還是包含了很多由噪聲及其他原因造成的假邊緣。

        因此還需要進一步的處理。

 

Step.5    用雙閾值算法檢測和連接邊緣

        Canny算法中減少假邊緣數量的方法是採用雙閾值法。

        選擇兩個閾值（關於閾值的選取方法在擴展中進行討論），根據高閾值得到一個邊緣圖像，

        這樣一個圖像含有很少的假邊緣，但是由於閾值較高，產生的圖像邊緣可能不閉合，

        未解決這樣一個問題採用了另外一個低閾值。

 

        在高閾值圖像中把邊緣鏈接成輪廓，當到達輪廓的端點時，該算法會在斷點的8鄰域點中尋找滿足低閾值的點，

        再根據此點收集新的邊緣，直到整個圖像邊緣閉合。