canny边缘检测法是高斯函数的一阶微分,它能在噪声抑制和边缘检测之间取得较好的平衡.
环境:windows xp+matlab 2010b
时间:2011/12/25
canny算法检测边缘主要步骤:
1)用3x3高斯滤波器进行滤波,消除噪声;
2)针对每一个像素,计算横向与纵向两方向的微分近似,以得到像素的梯度大小和方向;
3)对梯度进行"非极大抑制"(非局部最大值置0);
4)对梯度取两次阈值;
5)对边缘进行连接;
下面详细说明各个步骤:
0)读入图像:
clear;
clc;
i=imread('light.jpg');
k=rgb2y(i);%获取h分量,即亮度分量
根据边缘的定义,边缘检测的目的是标识数字图像中亮度变化明显的点。(参考维基百科http://zh.wikipedia.org/wiki/%E8%BE%B9%E7%BC%98%E6%A3%80%E6%B5%8B);
又根据公式Brightness = 0.3 * R + 0.6 * G + 0.1 * B;计算出亮度分量y;
function k=rgb2y(z)
%i必须为rgb三维矩阵
[m,n,p]=size(z);
k=zeros(m,n);
z=double(z);
for i=1:m
for j=1:n
k(i,j)=0.3*z(i,j,1)+0.6*z(i,j,2)+0.1*z(i,j,3);
end
end
1)用3x3高斯滤波器进行滤波,消除噪声;
function j=gaosi(i);
%i必须为二维double矩阵
j=i;
[h,w]=size(i);
for m=2;h-1
for n=2:w-1
j(m,n)=(i(m,n-1)+2*i(m,n)+i(m,n+1))/4;%横向高斯滤波
end
end
利用上面自定义的gaosi函数对图像进行二维3x3滤波,
k1=gaosi(k);%横向滤波
k1=k1';%对图像进行转置,为下一步纵向滤波作准备(纵向滤波==转置后横向滤波)
k1=gaosi(k1);
k1=k1';%还原
2)针对每一个像素,计算横向与纵向两方向的微分近似,以得到像素的梯度大小和方向;
利用上式,易知p,q分别为计算出的横向、纵向的微分近似,由此再计算出梯度的大小和方向。
%计算梯度的大小和方向
[h,w]=size(k);
for m=2:h-1
for n=2:w-1
zz1=k1(m,n-1)+k1(m+1,n-1);
zz2=k1(m,n)+k1(m+1,n);
zz3=k1(m,n-1)+k1(m,n);
zz4=k1(m+1,n-1)+k1(m+1,n);
kp(m,n)=0.5*(zz2-zz1);
kq(m,n)=0.5*(zz3-zz4);
kfu(m,n)=sqrt((kp(m,n)^2)+(kq(m,n)^2));%梯度大小
kjiao(m,n)=atan(kq(m,n)/(kp(m,n)+0.001));%梯度方向,0.001防止分母为0
end
end
3)对梯度进行"非极大抑制"(非局部最大值置0);
1.先将梯度方向归类为四个主要方向,左右、上下、左斜、右斜。
%非极大值抑制
%首先将梯度方向划分为4个方向0,45,90,135(以及他们的反向延长线)
for m=2:h-1
for n=2:w-1
if kjiao(m,n)>=3/8*pi
kjiao(m,n)=2;
else if kjiao(m,n)>=1/8*pi
kjiao(m,n)=1;
else if kjiao(m,n)>=-1/8*pi
kjiao(m,n)=0;
else if kjiao(m,n)>=-3/8*pi
kjiao(m,n)=3;
else
kjiao(m,n)=2;
end
end
end
end
end
end
根据划分后的4个方向,判断该点是否是8邻域的局部最大值(梯度方向),比如,梯度方向为左右方向的点,判断其是否比左右两点的值来的大,如果不是,使该点的值为0.
%按照各个方向分别判断
k2=k1;
for m=2:h-1
for n=2:w-1
if kjiao(m,n)==0
if k1(m,n)>k1(m,n-1)&&k1(m,n)>k1(m,n+1);
else k2(m,n)=0;
end
end
if kjiao(m,n)==1
if k1(m,n)>k1(m+1,n-1)&&k1(m,n)>k1(m-1,n+1);
else k2(m,n)=0;
end
end
if kjiao(m,n)==2
if k1(m,n)>k1(m-1,n)&&k1(m,n)>k1(m+1,n);
else k2(m,n)=0;
end
end
if kjiao(m,n)==3
if k1(m,n)>k1(m-1,n-1)&&k1(m,n)>k1(m+1,n+1);
else k2(m,n)=0;
end
end
end
end
4)对梯度取两次阈值;
用两个阈值t1和t2(t2>t1,一般取t2=2*t1),我们把梯度值小于t1的像素的灰度设为0,得到图像1,然后我们把梯度值小于t2的像素的灰度设为0,得到图像2。由于图像2的阈值较高,噪音较少(但同时也损失了有用的边缘信息,而图像1的阈值较低,保留了较多信息,因此我们可以以图像2为基础,以图像1为补充来连接图像的边缘。
%两次阈值分割
k3=k2;%以t1为阈值分割后的矩阵
k4=k2;%以t2为阈值分割后的矩阵
t1=50;
t2=2*t1;
for m=2:h-1
for n=2:w-1
if kfu(m,n)k3(m,n)=0;
end
if kfu(m,n)k4(m,n)=0;
end
end
end
5)对边缘进行连接;
a.扫描图像2,当我们遇到一个非零值的像素p时(跟踪以p为开始点的轮廓线直到该轮廓线的终点q;
b.在图像1中,考察与图像2中p点位置对应的点p'的8邻域,如果在p'点的8邻域中有非零像素q'存在,将其包括到图像2中,作为点r,从r开始(重复第a步,直到我们在图像1和图像2中都无法继续为止;
c.我们已经结束了对包含p的轮廓线的连接,将这条轮廓标记为已访问过,回到第a步,寻找下一条轮廓线,重复第(a)(b)(c)步直到图像2中再也找不到新轮廓线为止.
findline.m:
function [ff,flag1]=findline(k3,k4,flag,m,n)
flag1=flag;
m1=m+1;n1=n+1;
while(m~=m1||n~=n1)%若m和n都不发生变化,表明line已到终点
flagg=0;
for i=1:3
if(flagg==1) break;
end
for j=1:3
if k3(m-2+i,n-2+j)~=0
k4(m-2+i,n-2+j)=255;
m1=m-2+i;n1=n-2+j;%新的[m,n]点
flag1(m,n)=1;%标记已检测过
flagg=1;break;
end
end
end
m=m1;n=n1;
end
ff=k4;
主函数里写上:
figure;
subplot(221);imshow(i);title('原图像');
subplot(222);imshow(k3,[]);title('阈值为50的分割图像');
subplot(223);imshow(k4,[]);title('阈值为100的分割图像');
flag=zeros(h,w);%标记该点是否以检测过,1表示检测过
for m=2:h-1
for n=2:w-1
if k4(m,n)~=0&&flag(m,n)==0
[k4,flag]=findline(k3,k4,flag,m,n);
end
end
end
subplot(224);imshow(k4,[]);title('修正后的分割图像');
至此,程序完成。
效果如下:
至于程序中阈值的求取,大家自己定义就好了。
希望前辈们能给点学习图像处理的经验,谢谢了。
转载请注明:http://www.cnblogs.com/blue-lg/archive/2011/12/25/2300899.html