自適應閾值canny邊緣檢測（功能實作）

學習記錄…

概述

canny邊緣檢測是一種特別常用且性能優秀的邊緣檢測演算法，相比于普通的邊緣檢測演算法，canny獲得的邊緣較細且具有連續的邊緣輪廓，為之后的一系列影像處理帶來極大的便利，

canny邊緣檢測也是基于梯度影像的，通常在其區域最大值附近會包含一些寬脊，為了細化這些寬脊采用的方向就是非極大值抑制——梯度的本意是一個向量（矢量），函式在該點處沿著該方向（此梯度的方向）變化最快，變化率最大（為該梯度的模——即梯度影像像素值），梯度的方向是與邊緣的方向垂直的，那么在一個3x3范圍內，可以將梯度的方向進行磁區：

梯度方向（角度）在不同的磁區可以分別映射為水平方向（垂直邊緣）、+45方向、垂直方向（水平邊緣）、-45方向，

那么在確定某一點梯度方向所屬磁區所映射到的方向之后，就將該點梯度幅值與方向上的梯度幅值進行比較，若該點梯度幅值均大于方向上點的梯度幅值則保留，否則令為0，

改進

在canny邊緣檢測中，還有一個重要的步驟：雙閾值的滯后閾值處理，一個高閾值TH和一個低閾值TL，比例在2:1到3:1內，（至于為什么會這樣真不明白）這就帶來了canny邊緣檢測的一個很大的缺點，那就是需要輸入閾值引數，基于此，很多完全自適應閾值的canny演算法誕生，在這里僅提供一種較簡單和實用的思路——將經過非極大值抑制后的梯度影像利用Otsu演算法算出一個閾值，將其作為一個高閾值TH，高閾值的一半作為低閾值TL，

演算法步驟小結

1. 使用一個高斯濾波器平滑輸入影像，
2. 計算梯度幅值影像和角度影像，
3. 對梯度幅值影像進行非極大值抑制，
4. 將非極大值抑制獲得的影像利用Otsu演算法確定雙閾值，
5. 使用雙閾值處理和連通域分析來檢測與連接邊緣，

具體內容可參照岡薩雷斯《數字影像處理》

具體代碼如下：

//確定一個點的坐標是否在影像內
bool checkInRang(int r, int c, int rows, int cols) {
	if (r >= 0 && r < rows && c >= 0 && c < cols)
		return true;
	else
		return false;
}

//從確定邊緣點出發，延長邊緣
void EdgePoint_Trace(cv::Mat& edgeMag_noMaxsup, cv::Mat& edge, unsigned TL, int r, int c, int rows, int cols)
{
	//如果邊緣圖未被標記
	if (edge.at<uchar>(r, c) == 0)
	{
		edge.at<uchar>(r, c) = 255;
		for (int i = -1; i <= 1; ++i)
		{
			for (int j = -1; j <= 1; ++j)
			{
				float mag = edgeMag_noMaxsup.at<float>(r + i, c + j);
				if (checkInRang(r + i, c + j, rows, cols) && mag >= TL)
					EdgePoint_Trace(edgeMag_noMaxsup, edge, TL, r + i, c + j, rows, cols);
			}
		}
	}
}

/********************************mian函式入口***************************************/
int main()
{
	string path = "F:\\NoteImage\\lena.jpg";

	Mat SrcImage = imread(path);
	if (!SrcImage.data) {
		std::cout << "Could not open or find the image" << std::endl;
		return -1;
	}

	cv::Mat grayImage, cannyImage;
	cvtColor(SrcImage, grayImage, COLOR_BGR2GRAY);
	//使影像連續并可導
	GaussianBlur(grayImage, grayImage, Size(3, 3), 0, 0);

	cv::Mat gx, gy;
	cv::Mat mag, angle;

	Sobel(grayImage, gx, CV_32F, 1, 0, 3);
	Sobel(grayImage, gy, CV_32F, 0, 1, 3);
	//計算梯度幅值和梯度的方向（角度）
	cv::cartToPolar(gx, gy, mag, angle, true);
	//定義全黑非極大值抑制影像
	cv::Mat Non_maxImage = cv::Mat::zeros(grayImage.size(), CV_32FC1);
	int height = grayImage.rows;
	int width = grayImage.cols;
	//獲得非極大值抑制影像
	for (int i = 1; i < height - 1; ++i)
	{
		for (int j = 1; j < width - 1; ++j)
		{
			float g_angle = angle.at<float>(i, j);
			float K_mag = mag.at<float>(i, j);
			//梯度方向在垂直方向
			if ((g_angle <= 112.5 && g_angle > 67.5) || (g_angle <= 292.5 && g_angle > 247.5))
			{
				if (K_mag >= mag.at<float>(i - 1, j) && K_mag >= mag.at<float>(i + 1, j))
					Non_maxImage.at<float>(i, j) = K_mag;
			}
			//梯度方向在水平方向
			else if (g_angle <= 22.5 || g_angle > 337.5 || (g_angle <= 202.5 && g_angle > 157.5))
			{
				if (K_mag >= mag.at<float>(i, j - 1) && K_mag >= mag.at<float>(i, j + 1))
					Non_maxImage.at<float>(i, j) = K_mag;
			}
			//梯度方向在+45方向
			else if ((g_angle <= 67.5 && g_angle > 22.5) || (g_angle <= 247.5 && g_angle > 202.5))
			{
				if (K_mag >= mag.at<float>(i - 1, j - 1) && K_mag >= mag.at<float>(i + 1, j + 1))		
					Non_maxImage.at<float>(i, j) = K_mag;
			}
			//梯度方向在-45方向
			else if ((g_angle <= 337.5 && g_angle > 292.5) || (g_angle <= 157.5 && g_angle > 112.5))
			{
				if (K_mag >= mag.at<float>(i + 1, j - 1) && K_mag >= mag.at<float>(i - 1, j + 1))		
					Non_maxImage.at<float>(i, j) = K_mag;
			}
		}
	}
	//雙閾值處理--根據Otsu算出的閾值確定為高閾值，取高閾值的一半記為低閾值
	unsigned TH = Otsu_threshold(Non_maxImage);
	unsigned TL = TH * 0.5;
	cv::Mat My_cannyImage = cv::Mat::zeros(grayImage.size(), grayImage.type());

	for (int i = 1; i < height - 1; ++i)
	{
		for (int j = 1; j < width - 1; ++j)
		{
			float K_mag = Non_maxImage.at<float>(i, j);
			//大于高閾值確定為邊緣點
			if (K_mag > TH)
				EdgePoint_Trace(Non_maxImage, My_cannyImage, TL, i, j, height, width);
			else if (K_mag < TL)
				My_cannyImage.at<uchar>(i, j) = 0;
		}
	}

	//和OpenCV自帶函式做對比
	Canny(grayImage, cannyImage, TH, TL, 3, true);


	imshow("src", My_cannyImage);
	cv::waitKey(0);
	return 0;

雙閾值邊緣連接處理要點采用了大佬的方法：canny算子邊緣檢測原理與實作

試驗圖例：

差別還是很微小的…