Canny边缘检测算法一直是边缘检测的经典算法。下面详细介绍Canny边缘检测算法的原理以及编程实现。
Canny边缘检测基本原理：
(1)图象边缘检测必须满足两个条件：一能有效地抑制噪声；二必须尽量精确确定边缘的位置。
(2)根据对信噪比与定位乘积进行测度，得到最优化逼近算子。这就是Canny边缘检测算子。
(3)类似与Marr（LoG）边缘检测方法，也属于先平滑后求导数的方法。
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：
(1)好的检测 - 算法能够尽可能多地标识出图像中的实际边缘。
(2)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。
(3)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雜訊不应标识为边缘。
Canny边缘检测算法的步骤：
(1)去噪
任何边缘检测算法都不可能在未经处理的原始数据上很好地處理，所以第一步是对原始数据与高斯 mask 作卷积，得到的图像与原始图像相比有些轻微的模糊（blurred）。这样，单独的一个像素雜訊在经过高斯平滑的图像上变得几乎没有影响。
(2)用一阶偏导的有限差分来计算梯度的幅值和方向。
(3)对梯度幅值进行非极大值抑制。
仅仅得到全局的梯度并不足以确定边缘，因此为确定边缘，必须保留局部梯度最大的点，而抑制非极大值。（non-maxima suppression,NMS）
解决方法：利用梯度的方向。
四个扇区的标号为0到3，对应3*3邻域的四种可能组合。在每一点上，邻域的中心象素M与沿着梯度线的两个象素相比。如果M的梯度值不比沿梯度线的两个相邻象素梯度值大，则令M=0。
(4)用双阈值算法检测和连接边缘。
减少假边缘段数量的典型方法是对N[i，j]使用一个阈值。将低于阈值的所有值赋零值。但问题是如何选取阈值？
解决方法：双阈值算法。双阈值算法对非极大值抑制图象作用两个阈值τ1和τ2，且2τ1≈τ2，从而可以得到两个阈值边缘图象N1［i,j］和N2［i，j］。由于N2［i，j］使用高阈值得到，因而含有很少的假边缘，但有间断(不闭合)。双阈值法要在N2［i，j］中把边缘连接成轮廓，当到达轮廓的端点时，该算法就在N1［i,j］的8邻点位置寻找可以连接到轮廓上的边缘，这样，算法不断地在N1［i,j］中收集边缘，直到将N2［i,j］连接起来为止。
在连接边缘的时候，用数组模拟队列的实现。以进行8-连通域搜索。
更详细的资料请参考维基百科：http://zh.wikipedia.org/wiki/Canny%E7%AE%97%E5%AD%90
下面是我编程实现的Canny边缘检测代码，如有错误，请大家包涵、指正：
I = imread('rice.png'); I = double(I); [height,width] = size(I); J = I; conv = zeros(5,5);%高斯卷积核 sigma = 1;%方差 sigma_2 = sigma * sigma;%临时变量 sum = 0; for i = 1:5 for j = 1:5 conv(i,j) = exp((-(i - 3) * (i - 3) - (j - 3) * (j - 3)) / (2 * sigma_2)) / (2 * 3.14 * sigma_2);%高斯公式 sum = sum + conv(i,j); end end conv = conv./sum;%标准化 %对图像实施高斯滤波 for i = 1:height for j = 1:width sum = 0;%临时变量 for k = 1:5 for m = 1:5 if (i - 3 + k) > 0 && (i - 3 + k) <= height && (j - 3 + m) > 0 && (j - 3 + m) < width sum = sum + conv(k,m) * I(i - 3 + k,j - 3 + m); end end end J(i,j) = sum; end end figure,imshow(J,[]) title('高斯滤波后的结果') %求梯度 dx = zeros(height,width);%x方向梯度 dy = zeros(height,width);%y方向梯度 d = zeros(height,width); for i = 1:height - 1 for j = 1:width - 1 dx(i,j) = J(i,j + 1) - J(i,j); dy(i,j) = J(i + 1,j) - J(i,j); d(i,j) = sqrt(dx(i,j) * dx(i,j) + dy(i,j) * dy(i,j)); end end figure,imshow(d,[]) title('求梯度后的结果') %局部非极大值抑制 K = d;%记录进行非极大值抑制后的梯度 %设置图像边缘为不可能的边缘点 for j = 1:width K(1,j) = 0; end for j = 1:width K(height,j) = 0; end for i = 2:width - 1 K(i,1) = 0; end for i = 2:width - 1 K(i,width) = 0; end for i = 2:height - 1 for j = 2:width - 1 %当前像素点的梯度值为0，则一定不是边缘点 if d(i,j) == 0 K(i,j) = 0; else gradX = dx(i,j);%当前点x方向导数 gradY = dy(i,j);%当前点y方向导数 gradTemp = d(i,j);%当前点梯度 %如果Y方向幅度值较大 if abs(gradY) > abs(gradX) weight = abs(gradX) / abs(gradY);%权重 grad2 = d(i - 1,j); grad4 = d(i + 1,j); %如果x、y方向导数符号相同 %像素点位置关系 %g1 g2 % C % g4 g3 if gradX * gradY > 0 grad1 = d(i - 1,j - 1); grad3 = d(i + 1,j + 1); else %如果x、y方向导数符号反 %像素点位置关系 % g2 g1 % C %g3 g4 grad1 = d(i - 1,j + 1); grad3 = d(i + 1,j - 1); end %如果X方向幅度值较大 else weight = abs(gradY) / abs(gradX);%权重 grad2 = d(i,j - 1); grad4 = d(i,j + 1); %如果x、y方向导数符号相同 %像素点位置关系 %g3 %g4 C g2 % g1 if gradX * gradY > 0 grad1 = d(i + 1,j + 1); grad3 = d(i - 1,j - 1); else %如果x、y方向导数符号反 %像素点位置关系 % g1 %g4 C g2 %g3 grad1 = d(i - 1,j + 1); grad3 = d(i + 1,j - 1); end end %利用grad1-grad4对梯度进行插值 gradTemp1 = weight * grad1 + (1 - weight) * grad2; gradTemp2 = weight * grad3 + (1 - weight) * grad4; %当前像素的梯度是局部的最大值，可能是边缘点 if gradTemp >= gradTemp1 && gradTemp >= gradTemp2 K(i,j) = gradTemp; else %不可能是边缘点 K(i,j) = 0; end end end end figure,imshow(K,[]) title('非极大值抑制后的结果') %定义双阈值：EP_MIN、EP_MAX，且EP_MAX = 2 * EP_MIN EP_MIN = 12; EP_MAX = EP_MIN * 2; EdgeLarge = zeros(height,width);%记录真边缘 EdgeBetween = zeros(height,width);%记录可能的边缘点 for i = 1:height for j = 1:width if K(i,j) >= EP_MAX%小于小阈值，不可能为边缘点 EdgeLarge(i,j) = K(i,j); else if K(i,j) >= EP_MIN EdgeBetween(i,j) = K(i,j); end end end end %把EdgeLarge的边缘连成连续的轮廓 MAXSIZE = 999999; Queue = zeros(MAXSIZE,2);%用数组模拟队列 front = 1;%队头 rear = 1;%队尾 edge = zeros(height,width); for i = 1:height for j = 1:width if EdgeLarge(i,j) > 0 %强点入队 Queue(rear,1) = i; Queue(rear,2) = j; rear = rear + 1; edge(i,j) = EdgeLarge(i,j); EdgeLarge(i,j) = 0;%避免重复计算 end while front ~= rear%队不空 %队头出队 temp_i = Queue(front,1); temp_j = Queue(front,2); front = front + 1; %8-连通域寻找可能的边缘点 %左上方 if EdgeBetween(temp_i - 1,temp_j - 1) > 0%把在强点周围的弱点变为强点 EdgeLarge(temp_i - 1,temp_j - 1) = K(temp_i - 1,temp_j - 1); EdgeBetween(temp_i - 1,temp_j - 1) = 0;%避免重复计算 %入队 Queue(rear,1) = temp_i - 1; Queue(rear,2) = temp_j - 1; rear = rear + 1; end %正上方 if EdgeBetween(temp_i - 1,temp_j) > 0%把在强点周围的弱点变为强点 EdgeLarge(temp_i - 1,temp_j) = K(temp_i - 1,temp_j); EdgeBetween(temp_i - 1,temp_j) = 0; %入队 Queue(rear,1) = temp_i - 1; Queue(rear,2) = temp_j; rear = rear + 1; end %右上方 if EdgeBetween(temp_i - 1,temp_j + 1) > 0%把在强点周围的弱点变为强点 EdgeLarge(temp_i - 1,temp_j + 1) = K(temp_i - 1,temp_j + 1); EdgeBetween(temp_i - 1,temp_j + 1) = 0; %入队 Queue(rear,1) = temp_i - 1; Queue(rear,2) = temp_j + 1; rear = rear + 1; end %正左方 if EdgeBetween(temp_i,temp_j - 1) > 0%把在强点周围的弱点变为强点 EdgeLarge(temp_i,temp_j - 1) = K(temp_i,temp_j - 1); EdgeBetween(temp_i,temp_j - 1) = 0; %入队 Queue(rear,1) = temp_i; Queue(rear,2) = temp_j - 1; rear = rear + 1; end %正右方 if EdgeBetween(temp_i,temp_j + 1) > 0%把在强点周围的弱点变为强点 EdgeLarge(temp_i,temp_j + 1) = K(temp_i,temp_j + 1); EdgeBetween(temp_i,temp_j + 1) = 0; %入队 Queue(rear,1) = temp_i; Queue(rear,2) = temp_j + 1; rear = rear + 1; end %左下方 if EdgeBetween(temp_i + 1,temp_j - 1) > 0%把在强点周围的弱点变为强点 EdgeLarge(temp_i + 1,temp_j - 1) = K(temp_i + 1,temp_j - 1); EdgeBetween(temp_i + 1,temp_j - 1) = 0; %入队 Queue(rear,1) = temp_i + 1; Queue(rear,2) = temp_j - 1; rear = rear + 1; end %正下方 if EdgeBetween(temp_i + 1,temp_j) > 0%把在强点周围的弱点变为强点 EdgeLarge(temp_i + 1,temp_j) = K(temp_i + 1,temp_j); EdgeBetween(temp_i + 1,temp_j) = 0; %入队 Queue(rear,1) = temp_i + 1; Queue(rear,2) = temp_j; rear = rear + 1; end %右下方 if EdgeBetween(temp_i + 1,temp_j + 1) > 0%把在强点周围的弱点变为强点 EdgeLarge(temp_i + 1,temp_j + 1) = K(temp_i + 1,temp_j + 1); EdgeBetween(temp_i + 1,temp_j + 1) = 0; %入队 Queue(rear,1) = temp_i + 1; Queue(rear,2) = temp_j + 1; rear = rear + 1; end end %下面2行用于观察程序运行的状况 i j end end figure,imshow(edge,[]) title('双阈值后的结果')对图片rice.png进行处理后的 结果如下：
