Canny邊緣檢測演算法的實現
影象邊緣資訊主要集中在高頻段,通常說影象銳化或檢測邊緣,實質就是高頻濾波。我們知道微分運算是求訊號的變化率,具有加強高頻分量的作用。在空域運算中來說,對影象的銳化就是計算微分。由於數字影象的離散訊號,微分運算就變成計算差分或梯度。影象處理中有多種邊緣檢測(梯度)運算元,常用的包括普通一階差分,Robert運算元(交叉差分),Sobel運算元等等,是基於尋找梯度強度。拉普拉斯運算元(二階差分)是基於過零點檢測。通過計算梯度,設定閥值,得到邊緣影象。
Canny邊緣檢測運算元是一種多級檢測演算法。1986年由John F. Canny提出,同時提出了邊緣檢測的三大準則:
- 低錯誤率的邊緣檢測:檢測演算法應該精確地找到影象中的儘可能多的邊緣,儘可能的減少漏檢和誤檢。
- 最優定位:檢測的邊緣點應該精確地定位於邊緣的中心。
- 影象中的任意邊緣應該只被標記一次,同時影象噪聲不應產生偽邊緣。
Canny演算法出現以後一直是作為一種標準的邊緣檢測演算法,此後也出現了各種基於Canny演算法的改進演算法。時至今日,Canny演算法及其各種變種依舊是一種優秀的邊緣檢測演算法。而且除非前提條件很適合,你很難找到一種邊緣檢測運算元能顯著地比Canny運算元做的更好。
關於各種差分運算元,還有Canny運算元的簡單介紹,這裡就不羅嗦了,網上都可以找得到。直接進入Canny演算法的實現。Canny演算法分為幾步。
1. 高斯模糊。
這一步很簡單,類似於LoG運算元(Laplacian of Gaussian)作高斯模糊一樣,主要作用就是去除噪聲。因為噪聲也集中於高頻訊號,很容易被識別為偽邊緣。應用高斯模糊去除噪聲,降低偽邊緣的識別。但是由於影象邊緣資訊也是高頻訊號,高斯模糊的半徑選擇很重要,過大的半徑很容易讓一些弱邊緣檢測不到。
Lena原圖 Lena高斯模糊,半徑2
2. 計算梯度幅值和方向。
影象的邊緣可以指向不同方向,因此經典Canny演算法用了四個梯度運算元來分別計算水平,垂直和對角線方向的梯度。但是通常都不用四個梯度運算元來分別計算四個方向。常用的邊緣差分運算元(如Rober,Prewitt,Sobel)計算水平和垂直方向的差分Gx和Gy。這樣就可以如下計算梯度模和方向:
梯度角度θ範圍從弧度-π到π,然後把它近似到四個方向,分別代表水平,垂直和兩個對角線方向(0°,45°,90°,135°)。可以以±iπ/8(i=1,3,5,7)分割,落在每個區域的梯度角給一個特定值,代表四個方向之一。
這裡我選擇Sobel運算元計算梯度。Sobel演算法很簡單,到處都可以找到,就不列出程式碼來了。相對於其他邊緣運算元,Sobel運算元得出來的邊緣粗大明亮。
下圖是對上面半徑2的高斯模糊影象L通道(HSL)應用Sobel運算元的梯度模圖,沒有施加任何閥值。
Sobel運算元,無閥值
3. 非最大值抑制。
非最大值抑制是一種邊緣細化方法。通常得出來的梯度邊緣不止一個畫素寬,而是多個畫素寬。就像我們所說Sobel運算元得出來的邊緣粗大而明亮,從上面Lena圖的Sobel結果可以看得出來。因此這樣的梯度圖還是很“模糊”。而準則3要求,邊緣只有一個精確的點寬度。非最大值抑制能幫助保留區域性最大梯度而抑制所有其他梯度值。這意味著只保留了梯度變化中最銳利的位置。演算法如下:
- 比較當前點的梯度強度和正負梯度方向點的梯度強度。
- 如果當前點的梯度強度和同方向的其他點的梯度強度相比較是最大,保留其值。否則抑制,即設為0。比如當前點的方向指向正上方90°方向,那它需要和垂直方向,它的正上方和正下方的畫素比較。
注意,方向的正負是不起作用的,比如東南方向和西北方向是一樣的,都認為是對角線的一個方向。前面我們把梯度方向近似到水平,垂直和兩個對角線四個方向,所以每個畫素根據自身方向在這四個方向之一進行比較,決定是否保留。這一部分的程式碼也很簡單,列出如下。pModule,pDirection分別記錄了上一步梯度模值和梯度方向。
pmoddrow = pModule + Width + 1; pdirdrow = pDirection + Width + 1; pstrongdrow = pStrong + Width + 1; for (i = 1; i < Hend - 1; i++) { pstrongd = pstrongdrow; pmodd = pmoddrow; pdird = pdirdrow; for (j = 1; j < Wend - 1; j++) { switch (*pdird) { case 0: // x direction case 4: if (*pmodd > *(pmodd - 1) && *pmodd > *(pmodd + 1)) *pstrongd = 255; break; case 1: // northeast-southwest direction. Notice the data order on y direction of bmp data case 5: if (*pmodd > *(pmodd + Width + 1) && *pmodd > *(pmodd - Width - 1)) *pstrongd = 255; break; case 2: // y direction case 6: if (*pmodd > *(pmodd - Width) && *pmodd > *(pmodd + Width)) *pstrongd = 255; break; case 3: // northwest-southeast direction. Notice the data order on y direction of bmp data case 7: if (*pmodd > *(pmodd + Width - 1) && *pmodd > *(pmodd - Width + 1)) *pstrongd = 255; break; default: ASSERT(0); break; } pstrongd++; pmodd++; pdird++; } pstrongdrow += Width; pmoddrow += Width; pdirdrow += Width; }
下圖是非最大值抑制的結果。可見邊緣寬度已經大大減小。但是這個影象中因為沒有應用任何閥值,還含有大量小梯度模值的點,也就是圖中很暗的地方。下面,閥值要上場了。
非最大值抑制結果
4. 雙閥值。
一般的邊緣檢測演算法用一個閥值來濾除噪聲或顏色變化引起的小的梯度值,而保留大的梯度值。Canny演算法應用雙閥值,即一個高閥值和一個低閥值來區分邊緣畫素。如果邊緣畫素點梯度值大於高閥值,則被認為是強邊緣點。如果邊緣梯度值小於高閥值,大於低閥值,則標記為弱邊緣點。小於低閥值的點則被抑制掉。這一步演算法很簡單。
5. 滯後邊界跟蹤。
至此,強邊緣點可以認為是真的邊緣。弱邊緣點則可能是真的邊緣,也可能是噪聲或顏色變化引起的。為得到精確的結果,後者引起的弱邊緣點應該去掉。通常認為真實邊緣引起的弱邊緣點和強邊緣點是連通的,而又噪聲引起的弱邊緣點則不會。所謂的滯後邊界跟蹤演算法檢查一個弱邊緣點的8連通領域畫素,只要有強邊緣點存在,那麼這個弱邊緣點被認為是真是邊緣保留下來。
這個演算法搜尋所有連通的弱邊緣,如果一條連通的弱邊緣的任何一個點和強邊緣點連通,則保留這條弱邊緣,否則抑制這條弱邊緣。搜尋時可以用廣度優先或者深度優先演算法,我在這裡實現了應該是最容易的深度優先演算法。一次連通一條邊緣的深度優先演算法如下:
- 準備一個棧s,一個佇列q,設聯通指示變數connected為假。從影象的第一個點開始,進入2。
- 如果這個點是弱邊界點並且沒有被標記,把它標記,並把它作為第一個元素放入棧s中,同時把它放入記錄連通曲線的佇列q,進入3。如果這個點不是弱邊界或者已經被標記過,到影象的下一個點,重複2。
- 從棧s中取出一個元素,查詢它的8畫素領域。如果一個領域畫素是弱邊界並且沒有被標記過,把這個領域畫素標記,並加入棧s中,同時加入佇列q。同時查詢領域對應的強邊界圖,如果有一個畫素是強邊界,表示這條弱邊界曲線和強邊界聯通,設定connected為真。重複3直到棧中沒有元素了。如果connected為假,則依次從佇列q中取出每個元素,清空標記。如果connected為真,保留標記。
- 清空佇列q,設定connected為假,移動到影象的下一個點,到2。
// 5. Edge tracking by hysteresis stack<CPoint> s; queue<CPoint> q; BOOL connected = FALSE; long row_idx = Width; for (i = 1; i < Height - 1; i++, row_idx += Width) { for (j = 1; j < Width - 1; j++) { pweakd = pWeak + row_idx + j; if (*pweakd == 255) { s.push(CPoint(j, i)); q.push(CPoint(j, i)); *pweakd = 1; // Label it while (!s.empty()) { CPoint p = s.top(); s.pop(); // Search weak edge 8-point neighborhood pweakd = pWeak + p.y*Width + p.x; if (*(pweakd - Width - 1) == 255) { CPoint np = CPoint(p.x - 1, p.y - 1); s.push(np); q.push(np); *(pweakd - Width - 1) = 1; // Label it } if (*(pweakd - Width) == 255) { CPoint np = CPoint(p.x, p.y - 1); s.push(np); q.push(np); *(pweakd - Width) = 1; // Label it } if (*(pweakd - Width + 1) == 255) { CPoint np = CPoint(p.x + 1, p.y - 1); s.push(np); q.push(np); *(pweakd - Width + 1) = 1; // Label it } if (*(pweakd - 1) == 255) { CPoint np = CPoint(p.x - 1, p.y); s.push(np); q.push(np); *(pweakd - 1) = 1; // Label it } if (*(pweakd + 1) == 255) { CPoint np = CPoint(p.x + 1, p.y); s.push(np); q.push(np); *(pweakd + 1) = 1; // Label it } if (*(pweakd + Width - 1) == 255) { CPoint np = CPoint(p.x - 1, p.y + 1); s.push(np); q.push(np); *(pweakd + Width - 1) = 1; // Label it } if (*(pweakd + Width) == 255) { CPoint np = CPoint(p.x, p.y + 1); s.push(np); q.push(np); *(pweakd + Width) = 1; // Label it } if (*(pweakd + Width + 1) == 255) { CPoint np = CPoint(p.x + 1, p.y + 1); s.push(np); q.push(np); *(pweakd + Width + 1) = 1; // Label it } // Search strong edge 8-point neighborhood if (connected == FALSE) { pstrongd = pStrong + p.y*Width + p.x; for (int m = -1; m <= 1; m++) { for (int n = -1; n <= 1; n++) { if (*(pstrongd + m*Width + n) == 255) { connected = TRUE; goto next; } } } } next: continue; } // No more element in the stack if (connected == FALSE) { // The weak edge is not connected to any strong edge. Suppress it. while (!q.empty()) { CPoint p = q.front(); q.pop(); pWeak[p.y*Width + p.x] = 0; } } else { // Clean the queue while (!q.empty()) q.pop(); connected = FALSE; } } } } // Add the connected weak edges (labeled) into strong edge image. // All strong edge pixels are labeled 255, otherwise 0. for (i = 0; i < len; i++) { if (pWeak[i] == 1) pStrong[i] = 255; }
下面是對Lena圖計算Canny邊緣檢測的梯度模圖和二值化圖,高斯半徑2,高閥值100,低閥值50。
Canny檢測梯度模圖 Canny檢測梯度二值圖
作為對比,下面是用一階差分和Sobel運算元對原圖計算的結果,閥值100。由於一階差分的梯度值相對較小,我對一階差分的梯度值放大了一定倍數,使得它和Sobel的梯度值保持同樣的水平。
一階差分梯度模圖 一階差分梯度二值圖
Sobel梯度模圖 Sobel梯度二值圖
很明顯,Canny邊緣檢測的效果是很顯著的。相比普通的梯度演算法大大抑制了噪聲引起的偽邊緣,而且是邊緣細化,易於後續處理。對於對比度較低的影象,通過調節引數,Canny演算法也能有很好的效果。
原圖 Canny梯度模,高斯半徑2,低閥值30,高閥值100 Canny梯度二值化圖,高斯半徑2,低閥值30,高閥值100
原圖 Canny梯度模,高斯半徑1,低閥值40,高閥值80 Canny梯度二值化圖,高斯半徑1,低閥值40,高閥值80
相關推薦
Canny邊緣檢測演算法原理及C語言實現詳解
Canny運算元是John Canny在1986年提出的,那年老大爺才28歲,該文章發表在PAMI頂級期刊上的(1986. A computational approach to edge detection. IEEE Transactions on Pattern Analy
Canny邊緣檢測演算法的實現
影象邊緣資訊主要集中在高頻段,通常說影象銳化或檢測邊緣,實質就是高頻濾波。我們知道微分運算是求訊號的變化率,具有加強高頻分量的作用。在空域運算中來說,對影象的銳化就是計算微分。由於數字影象的離散訊號,微分運算就變成計算差分或梯度。影象處理中有多種邊緣檢測(梯度)運算元,常用的
Canny邊緣檢測演算法(基於OpenCV的Java實現)
目錄 Canny邊緣檢測演算法(基於OpenCV的Java實現) 緒論 Canny邊緣檢測演算法的發展歷史 Canny邊緣檢測演算法的處理流程 用高斯濾波器平滑影象 彩色RGB
Shader特效——“Canny邊緣檢測”的實現 【GLSL】
演算法參考自: http://blog.sina.com.cn/s/blog_676b40ec0100z2pt.html http://blog.csdn.net/xiajun07061225/article/details/6926108 在寫這篇文章的時候,發現網上關於ca
基於MATLAB的Sobel邊緣檢測演算法實現
影象邊緣就是影象灰度值突變的地方,也就是影象在該部分的畫素值變化速度非常之快,就比如在座標軸上一條曲線有剛開始的平滑突然來個大轉彎,在變化出的導數非常大。 Sobel運算元主要用作邊緣檢測,它是一離散型差分運算元,用來計算影象亮度函式灰度之近似值。 邊緣是指其周圍
一些關於Canny邊緣檢測演算法的改進
傳統的Canny邊緣檢測演算法是一種有效而又相對簡單的演算法,可以得到很好的結果(可以參考上一篇Canny邊緣檢測演算法的實現)。但是Canny演算法本身也有一些缺陷,可以有改進的地方。 1. Canny邊緣檢測第一步用高斯模糊來去掉噪聲,但是同時也會平滑邊緣,使得邊緣
Canny邊緣檢測算法原理及其VC實現詳解(一)
常用 差分 實現圖 還需要 鏈接 傳感器 出了 關系 位置 轉自:http://blog.csdn.net/likezhaobin/article/details/6892176 圖象的邊緣是指圖象局部區域亮度變化顯著的部分,該區域的灰度剖面一般可以看作是一個階躍,既從
Sobel邊緣檢測演算法及OpenCV函式實現
轉自https://www.cnblogs.com/herenzhiming/articles/6526741.html https://blog.csdn.net/qaz_wz/article/details/79052246 演算法原理 索貝爾運算元(So
使用CImg實現canny邊緣檢測和跟蹤
第一步,函式toGrayScale 將彩色影象轉換為灰度影象,根據RGB值和公式計算出灰度值即可,比較簡單。 CImg<uchar> canny::toGrayScale() { grayscaled = CImg<uchar>(img
soble邊緣檢測演算法的verilog實現
先來說說soble運算元,soble運算元是一種離散性差分運算元,用來運算影象亮度函式的灰度的近似值,在影象的任何一點使用這個運算元,會得到對應的灰度向量或法向量。 SOBLE運算元的卷積因子為:soble運算元包含兩組3*3的矩陣,分別為橫向和縱向,將 Gx
利用Canny邊緣檢測運算元進行邊緣檢測的原理及OpenCV程式碼實現
Canny運算元是John Canny在1986年發表的論文中首次提出的邊緣檢測運算元,該運算元檢測效能比較好,應用廣泛。 Canny運算元進行邊緣檢測的原理和步驟如下: ⑴消除噪聲。邊緣檢測的演算法主要是基於影象強度的一階和二階微分操作,但導數通常對噪聲很敏感,邊緣檢測
OpenCV 實現canny邊緣檢測
近期,整理了一些之前做過的影象處理內容,算是複習下基礎吧; 涉及canny邊緣檢測的OpenCV實現; 影象邊緣資訊主要集中在高頻段,通常說影象銳化或檢測邊緣,實質就是高頻濾波。Canny是常用的邊緣檢測方法,其特點是試圖將獨立邊的候選畫素拼裝成輪廓。 canny邊緣檢
opencv學習--opencv內的6種影象邊緣檢測演算法的實現
如上篇部落格所述,影象邊緣檢測演算法主要有Sobel, Scarry, Canny, Laplacian,Prewitt, Marr-Hildresh,現在進行總結 1.Sobel運算元 Sobel運算元是主要用於邊緣檢測的離散微分運算元,它
opencv讀影象C語言實現canny邊緣檢測
1 ////////第四步:非極大值抑制 2 //注意事項 權重的選取,也就是離得近權重大 3 ///////////////////////////////////////////////////////////////// 4 IplImage * N;//非極大值抑制結果 5
Canny邊緣檢測原理及C++實現
從11.21開始寫部落格,到今天一個多月了,寫了20多篇了,希望自己能堅持下去吧! 在這裡祝大家聖誕節快樂! Canny邊緣檢測演算法是澳大利亞科學家John F. Canny在1986年提出來的,不得不提一下的是當年John Canny本人才28歲!到今天已經30年過
【算法隨記】Canny邊緣檢測算法實現和優化分析。
輸入 放置 位圖 code 計算 並且 比較 lan 開篇 以前的博文大部分都寫的非常詳細,有很多分析過程,不過寫起來確實很累人,一般一篇好的文章要整理個三四天,但是,時間越來越緊張,後續的一些算法可能就以隨記的方式,把實現過程的一些比較容易出錯和有價值的細節部分加以描
canny邊緣檢測 demo
filename channels rfi 作用 namespace str named names amp #include <iostream> #include <string> #include <sstream>
六 OpenCV圖像處理4 Canny 邊緣檢測
alt left 最大的 max plt src 分享 body 邊界 1.Canny 邊緣檢測原理 步驟: ·1噪聲去除: 由於邊緣檢測很容易受到噪聲影響,所以第一步是使用 5x5 的高斯濾波器 去除噪聲 ·2計算圖像梯度:
基於FPGA的Sobel邊緣檢測的實現
二維 技術分享 所有 之間 個人 .html 題目 擴展 坐標軸 前面我們實現了使用PC端上位機串口發送圖像數據到VGA顯示,通過MATLAB處理的圖像數據直接是灰度圖像,後面我們在此基礎上修改,從而實現,基於FPGA的動態圖片的Sobel邊緣檢測、中值濾波、Canny
OpenCV學習代碼記錄——canny邊緣檢測
scalar pos down 輸入 canny emp 函數 color 什麽 很久之前學習過一段時間的OpenCV,當時沒有做什麽筆記,但是代碼都還在,這裏把它貼出來做個記錄。 代碼放在碼雲上,地址在這裏https://gitee.com/solym/OpenCVTes