Canny边缘检测算法总结

合集下载

canny边缘检测的原理

canny边缘检测的原理
Canny边缘检测是一种多级检测算法，其基本原理如下：
首先，使用高斯滤波器对图像进行平滑处理，以减少图像中的噪声。

然后，计算图像的梯度大小和方向，以便确定边缘的位置和方向。

在计算梯度的过程中，会遍历每个像素点，判断该像素点是否为边缘点。

在Canny算法中，非极大值抑制和双阈值法是两个关键步骤。

非极大值抑制的目的是去除那些非边缘的像素点，保留可能的边缘点。

双阈值法则是为了进一步筛选出真正的边缘点，避免出现过多的假边缘。

最后，Canny算法会对检测到的边缘进行跟踪和连接，形成完整的边缘图像。

总的来说，Canny边缘检测算法是一种非常有效的边缘检测算法，能够准确地检测出图像中的边缘，并且在处理噪声和防止假边缘方面具有很好的性能。

改进的Canny图像边缘检测算法分析

网络天地171改进的Canny 图像边缘检测算法分析◆王娟1 边缘检测的过程边缘检测主要用于解决图像边缘的真假，边缘的定向定位。

以此来初步分析图像和识别图像。

想要做好边缘检测，需要遵循以下五个方面的过程进行检测分析：（1）首先要明确的了解图像检测时图像的特性变化形式，运用合适的检测方法。

（2）根据特殊情况需求，利用多算子综合计算方法。

提取多范围的变化特性，以便检测图像上的所有特性变化。

（3）由于噪声的影响，使检测有一定的局限性。

检测时需要尽可能的滤除噪音。

还需要考虑到噪音的条件检测，进一步检测参数变化。

（4）尽可能用多种方法进行组合。

例如在检测时，先找到边缘，然后利用函数近似的放法，利用内插获得高精度定位。

（5）检测时，首先对原图像进行平滑处理，然后再进行边缘检测。

一方面可以有效地抑制噪音，另一方面也可以对边缘进行精准定位。

2 传统Canny 算子的基本工作原理由于系统固有的低筒滤波对实际的图像进行平滑，以至于边缘不明显。

所以，这就需要边缘检测通过寻找出图像局部具有最大梯度值的一些像素点。

同时由于摄影机以及周围环境的干扰，因此图片边缘检测必须满足两个条件：①逼近必须能够抑制噪音效应；②必须尽量精准的确定边缘的位置。

以高定位精准、高信噪比、单一边缘响应位判断标准。

Canny 算子的基本流程：输入原始图像→转为灰度图像→ 高斯平滑→ 梯度计算→ 非极大值抑制→ 双阈值检测→ 连接边缘→ 输出边缘图像。

作为一阶微分滤波器的Canny 算子属于边缘检测，有三大显著优点：1、最优过零点定位准则2、多峰值响应准则3、最大信噪比准则。

Canny 算子基本的工作原理首先便是利用高斯平滑滤波器对图像进行平滑处理，目的是为了去除噪音的影响，然后通过计算梯度差值，来完成领域局部强度值。

利用高阈值和低阈值以及双阈值的计算方法对图像边缘进行检测已达到增强边缘的效果。

3 Canny 算子的实现步骤Canny 算子在整体运算的过程中，其需要结合多个运算步骤进行整体的运算。

Canny边缘检测算法的一些改进

Canny边缘检测算法的⼀些改进传统的Canny边缘检测算法是⼀种有效⽽⼜相对简单的算法，可以得到很好的结果（可以参考上⼀篇）。

但是Canny算法本⾝也有⼀些缺陷，可以有改进的地⽅。

1. Canny边缘检测第⼀步⽤⾼斯模糊来去掉噪声，但是同时也会平滑边缘，使得边缘信息减弱，有可能使得在后⾯的步骤中漏掉⼀些需要的边缘，特别是弱边缘和孤⽴的边缘，可能在双阀值和联通计算中被剔除。

很⾃然地可以预见，如果加⼤⾼斯模糊的半径，对噪声的平滑⼒度加⼤，但也会使得最后得到的边缘图中的边缘明显减少。

这⾥依然⽤Lena图为例，保持Canny算法中⾼阀值100，低阀值50不变，⾼斯半径分别为2，3，5的Canny边缘⼆值图像如下。

可知⾼斯模糊把很多有⽤的边缘信息也模糊掉了，因此如何精确的选择⾼斯半径就相当重要。

⾼斯半径2 ⾼斯半径3 ⾼斯半径52. 在最初的Canny算法中是使⽤的最⼩的2x2领域来计算梯度幅值的。

这种⽅法对噪声很敏感，⽐较容易检测到伪边缘或漏掉真是边缘。

在上⼀篇算法实现中，实际上使⽤的是3x3的Sobel梯度算⼦，是⼀种⽐较好的选择。

3. 传统Canny算法的双阀值是全局固定的，因此双阀值⼤⼩的选取对最终的结果影响很⼤，也有⼀些经验，⽐如选择低阀值是⾼阀值的0.4或0.5。

然⽽这毕竟是⼀种经验选择，阀值的确定仍然很难决定⼀个最优值。

⽽且⼀个图像的不同局部区域可能需要各不相同的阀值来精确地找到真实边缘，因此全局阀值就不太合适了。

4. 传统算法仍然可能产⽣⼀条宽度⼤于1的边缘，达不到满意的⾼精度单点响应。

也就是需要继续细化边缘。

下⾯就⼀些可以改进的地⽅做⼀些讨论。

代替⾼斯模糊噪声是⾼频信号，边缘信号也属于⾼频信号。

既然⾼斯模糊不加区分的对所有的⾼频信息进⾏了模糊，效果⾃然不尽如⼈意。

那么⾃然就想到了带有保留边缘功能的各种选择性平滑⽅法，似乎在这⾥⽐⾼斯模糊会更加合适，那我们就来试⼀试。

带有保留边缘功能的平滑⽅法的基本思想不是让领域范围内的所有像素都参与该种平滑⽅法的计算，⽽是设定⼀个阀值，仅仅让和中⼼像素灰度的差值⼩于这个阀值的像素参与计算。

(完整版)Canny边缘检测算法总结

一．Canny边缘检测算法原理JohnCanny于1986年提出Canny算子，属于是先平滑后求导数的方法。

其处理过程大体上分为下面四部分。

1. 对原始图像进行灰度化Canny算法通常处理的图像为灰度图，因此如果获取的是彩色图像，那首先就得进行灰度化。

对一幅彩色图进行灰度化，就是根据图像各个通道的采样值进行加权平均。

以RGB格式的彩图为例，通常灰度化采用的方法主要有：方法1：Gray=(R+G+B)/3;方法2：Gray=0.299R+0.587G+0.114B;（这种参数考虑到了人眼的生理特点）至于其他格式的彩色图像，可以根据相应的转换关系转为RGB然后再进行灰度化；在编程时要注意图像格式中RGB的顺序通常为BGR。

2. 对图像进行高斯滤波图像高斯滤波的实现可以用两个一维高斯核分别两次加权实现，也可以通过一个二维高斯核一次卷积实现。

1）高斯核实现上式为离散化的一维高斯函数，确定参数就可以得到一维核向量。

上式为离散化的二维高斯函数，确定参数就可以得到二维核向量。

在求得高斯核后，要对整个核进行归一化处理。

2）图像高斯滤波对图像进行高斯滤波，其实就是根据待滤波的像素点及其邻域点的灰度值按照一定的参数规则进行加权平均。

这样可以有效滤去理想图像中叠加的高频噪声。

通常滤波和边缘检测是矛盾的概念，抑制了噪声会使得图像边缘模糊，这会增加边缘定位的不确定性；而如果要提高边缘检测的灵敏度，同时对噪声也提高了灵敏度。

实际工程经验表明，高斯函数确定的核可以在抗噪声干扰和边缘检测精确定位之间提供较好的折衷方案。

3. 用一阶偏导的有限差分来计算梯度的幅值和方向关于图像灰度值得梯度可使用一阶有限差分来进行近似，这样就可以得图像在x和y 方向上偏导数的两个矩阵。

常用的梯度算子有如下几种：1）Roberts算子上式为其x和y方向偏导数计算模板，可用数学公式表达其每个点的梯度幅值为：2）Sobel算子上式三个矩阵分别为该算子的x向卷积模板、y向卷积模板以及待处理点的邻域点标记矩阵，据此可用数学公式表达其每个点的梯度幅值为：3）Prewitt算子和Sobel算子原理一样，在此仅给出其卷积模板。

学习笔记-canny边缘检测

学习笔记-canny边缘检测Canny边缘检测声明：阅读本⽂需要了解线性代数⾥⾯的点乘（图像卷积的原理），⾼等数学⾥的⼆元函数的梯度，极⼤值定义，了解概率论⾥的⼆维⾼斯分布1.canny边缘检测原理和简介2.实现步骤3.总结⼀、 Canny边缘检测算法的发展历史边缘检测是从图像中提取有⽤的结构信息的⼀种技术，如果学过信息论就会知道，⼀⾯充满花纹的墙要⽐⼀⾯⽩墙的信息量⼤很多，没学过也没关系，直观上也能理解：充满花纹的图像要⽐单⾊图像信息更丰富。

为什么要检测边缘?因为我们需要计算机⾃动的提取图像的底层（纹理等）或者⾼层（时间地点⼈物等）的信息，边缘可以说是最直观、最容易发现的⼀种信息了。

Canny提出了⼀个对于边缘检测算法的评价标准，包括：1) 以低的错误率检测边缘，也即意味着需要尽可能准确的捕获图像中尽可能多的边缘。

2) 检测到的边缘应精确定位在真实边缘的中⼼。

3) 图像中给定的边缘应只被标记⼀次，并且在可能的情况下，图像的噪声不应产⽣假的边缘。

简单来说就是，检测算法要做到：边缘要全，位置要准，抵抗噪声的能⼒要强。

接下来介绍最经典的canny边缘检测算法，很多边缘检测算法都是在此基础上进⾏改进的，学习它有利于⼀通百通。

⼆、实现步骤 step1：⾼斯平滑滤波没有哪张图⽚是没有噪声的。

————鲁迅滤波是为了去除噪声，选⽤⾼斯滤波也是因为在众多噪声滤波器中，⾼斯表现最好（表现怎么定义的？最好好到什么程度？），你也可以试试其他滤波器如均值滤波、中值滤波等等。

⼀个⼤⼩为(2k+1)x(2k+1)的⾼斯滤波器核（核⼀般都是奇数尺⼨的）的⽣成⽅程式由下式给出：‘ 下⾯是⼀个sigma = 1.4，尺⼨为3x3的⾼斯卷积核的例⼦，注意矩阵求和值为1（归⼀化）：举个例⼦：若图像中⼀个3x3的窗⼝为A，要滤波的像素点为e，则经过⾼斯滤波之后，像素点e的亮度值为：其中*为卷积符号，sum表⽰矩阵中所有元素相加求和，简单说，就是滤波后的每个像素值=其原像素中⼼值及其相邻像素的加权求和。

简述canny边缘检测方法

简述canny边缘检测方法
Canny边缘检测方法是一种广泛应用于数字图像处理领域的算法，用于检测图像中的边缘。

它是由John Canny在1986年开发的，是一种基于多级梯度计算和非极大值抑制（Non-Maximum Suppression）的方法。

该算法的主要步骤包括以下几个步骤：
1. 高斯滤波：对图像进行高斯平滑滤波以去除噪声，同时模糊图像，使边缘在进行梯度计算时更平滑。

2. 梯度计算：使用Sobel等算子计算图像中每个像素点的梯度、方向和大小，从而找到边缘的位置。

3. 非极大值抑制：将检测到的梯度方向沿垂直方向上进行“压缩”，将每个像素点的位置更新为其在梯度方向上的最大值处。

4. 双重阈值：对非极大值抑制后的图像进行二值化操作，设定一个高阈值和低阈值，比较每个像素点的梯度大小是否高于高阈值或低于低阈值。

高于高阈值的点被标记为强边缘，低于低阈值的点被标记为背景，介于高低阈值之间的点被标记为弱边缘。

5. 边缘跟踪：将弱边缘与强边缘连接起来，最终得到连续的边缘。

Canny边缘检测方法具有较高的精度和鲁棒性，广泛应用于计算机视觉、机器视觉、物体检测等领域。

canny算子边缘检测原理

canny算子边缘检测原理
Canny算子是一种常用的边缘检测算法，其原理如下：
1. 高斯滤波：首先对图像进行高斯滤波，以减少噪声的影响。

高斯滤波是利用高斯函数对图像进行平滑操作，可以抑制高频噪声。

2. 计算梯度幅值和方向：对平滑后的图像进行梯度计算，通过计算像素点的梯度幅值和方向，可以找到图像中的边缘。

常用的梯度算子包括Sobel算子和Prewitt算子。

3. 非极大值抑制：在梯度图像中，对于每个像素点，通过比较其梯度方向上的两个相邻像素点的梯度幅值，将梯度幅值取最大值的点保留下来，其他点置为0。

这样可以剔除非边缘的像素。

4. 双阈值处理：将梯度幅值图像中的像素分为强边缘、弱边缘和非边缘三类。

设置两个阈值：高阈值和低阈值。

如果某个像素的梯度幅值大于高阈值，则将其标记为强边缘。

如果某个像素的梯度幅值小于低阈值，则将其剔除。

对于梯度幅值介于低阈值和高阈值之间的像素，如果其与某个强边缘像素相连，则将其标记为强边缘，否则将其标记为弱边缘。

5. 边缘连接：通过将强边缘和与其相连的弱边缘进行连接，找到完整的边缘。

这里通常使用8连通或4连通算法来判断两个像素是否相连。

通过以上步骤，Canny算子可以得到图像中的边缘信息，并且相对其他算法能够更好地抑制噪声和保持边缘的连续性。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

一．Canny边缘检测算法原理
JohnCanny于1986年提出Canny算子，属于是先平滑后求导数的方法。

其处理过程大体上分为下面四部分。

1. 对原始图像进行灰度化
Canny算法通常处理的图像为灰度图，因此如果获取的是彩色图像，那首先就得进行灰度化。

对一幅彩色图进行灰度化，就是根据图像各个通道的采样值进行加权平均。

以RGB格式的彩图为例，通常灰度化采用的方法主要有：
方法1：Gray=(R+G+B)/3;
方法2：Gray=0.299R+0.587G+0.114B;（这种参数考虑到了人眼的生理特点）
至于其他格式的彩色图像，可以根据相应的转换关系转为RGB然后再进行灰度化；在编程时要注意图像格式中RGB的顺序通常为BGR。

2. 对图像进行高斯滤波
图像高斯滤波的实现可以用两个一维高斯核分别两次加权实现，也可以通过一个二维高斯核一次卷积实现。

1）高斯核实现
上式为离散化的一维高斯函数，确定参数就可以得到一维核向量。

上式为离散化的二维高斯函数，确定参数就可以得到二维核向量。

在求得高斯核后，要对整个核进行归一化处理。

2）图像高斯滤波
对图像进行高斯滤波，其实就是根据待滤波的像素点及其邻域点的灰度值按照一定的参数规则进行加权平均。

这样可以有效滤去理想图像中叠加的高频噪声。

实际工程经验表明，高斯函数确定的核可以在抗噪声干扰和边缘检测精确定位之间提供较好的折衷方案。

3. 用一阶偏导的有限差分来计算梯度的幅值和方向
关于图像灰度值得梯度可使用一阶有限差分来进行近似，这样就可以得图像在x和y 方向上偏导数的两个矩阵。

常用的梯度算子有如下几种：
1）Roberts算子
上式为其x和y方向偏导数计算模板，可用数学公式表达其每个点的梯度幅值为：
2）Sobel算子
上式三个矩阵分别为该算子的x向卷积模板、y向卷积模板以及待处理点的邻域点标记矩阵，据此可用数学公式表达其每个点的梯度幅值为：
3）Prewitt算子
和Sobel算子原理一样，在此仅给出其卷积模板。

4）Canny算法所采用的方法
在这里实现的Canny算法中所采用的卷积算子比较简单，表达如下：
其x向、y向的一阶偏导数矩阵，梯度幅值以及梯度方向的数学表达式为：
求出这几个矩阵后，就可以进行下一步的检测过程。

4. 对梯度幅值进行非极大值抑制
图像梯度幅值矩阵中的元素值越大，说明图像中该点的梯度值越大，但这不不能说明该点就是边缘（这仅仅是属于图像增强的过程）。

在Canny算法中，非极大值抑制是进行边缘检测的重要步骤，通俗意义上是指寻找像素点局部最大值，将非极大值点所对应的灰度值置为0，这样可以剔除掉一大部分非边缘的点。

图1 非极大值抑制原理
根据图1 可知，要进行非极大值抑制，就首先要确定像素点C的灰度值在其8值邻域内是否为最大。

图1中蓝色的线条方向为C点的梯度方向，这样就可以确定其局部的最大值肯定分布在这条线上，也即出了C点外，梯度方向的交点dTmp1和dTmp2这两个点的值也可能会是局部最大值。

因此，判断C点灰度与这两个点灰度大小即可判断C点是否为
其邻域内的局部最大灰度点。

如果经过判断，C点灰度值小于这两个点中的任一个，那就
说明C点不是局部极大值，那么则可以排除C点为边缘。

这就是非极大值抑制的工作原理。

非最大抑制是这样一个问题：“当前的梯度值在梯度方向上是一个局部最大值” 所以,要
把当前位置的梯度值与梯度方向上两侧的梯度值进行比较；且梯度方向垂直于边缘方向。

但实际上，我们只能得到C点邻域的8个点的值，而dTmp1和dTmp2并不在其中，
要得到这两个值就需要对该两个点两端的已知灰度进行线性插值，也即根据图1中的g1
和g2对dTmp1进行插值，根据g3和g4对dTmp2进行插值，这要用到其梯度方向，这
是上文Canny算法中要求解梯度方向矩阵Thita的原因。

完成非极大值抑制后，会得到一个二值图像，非边缘的点灰度值均为0，可能为边缘
的局部灰度极大值点可设置其灰度为128。

这样得到的图像可能包含了很多由噪声及其他
原因造成的假边缘。

因此还需要进一步的处理。

5. 用双阈值算法检测和连接边缘
Canny算法中减少假边缘数量的方法是采用双阈值法。

选择两个阈值，根据高阈值得
到一个边缘图像，这样一个图像含有很少的假边缘，但是由于阈值较高，产生的图像边缘
可能不闭合，为解决这样一个问题采用了另外一个低阈值。

在高阈值图像中把边缘链接成轮廓，当到达轮廓的端点时，该算法会在断点的8邻域
点中寻找满足低阈值的点，再根据此点收集新的边缘，直到整个图像边缘闭合。

二．Canny边缘检测算法实验结果
图2原图图3 高斯模糊后
图4 sobel边缘检测后图5 非极大抑制后
图6 上阈值120，下阈值100检测结果。