生活随笔
收集整理的這篇文章主要介紹了
Canny边缘检测算法原理及其VC实现详解(二)
小編覺得挺不錯的,現(xiàn)在分享給大家,幫大家做個參考.
3、? Canny算法的實現(xiàn)流程
?? ? ? 由于本文主要目的在于學習和實現(xiàn)算法，而對于圖像讀取、視頻獲取等內(nèi)容不進行闡述。因此選用OpenCV算法庫作為其他功能的實現(xiàn)途徑（關(guān)于OpenCV的使用，作者將另文表述）。首先展現(xiàn)本文將要處理的彩色圖片。
圖2 待處理的圖像
3.1 圖像讀取和灰度化
?? ? ??編程時采用上文所描述的第二種方法來實現(xiàn)圖像的灰度化。其中ptr數(shù)組中保存的灰度化后的圖像數(shù)據(jù)。具體的灰度化后的效果如圖3所示。
IplImage*?ColorImage?=?cvLoadImage(?"12.jpg",?-1?);?????IplImage*?OpenCvGrayImage;??????????????????????????????unsigned?char*?ptr;?????????????????????????????????????if?(ColorImage?==?NULL)???????return;????????int?i?=?ColorImage->width?*?ColorImage->height;?????????BYTE?data1;?????????BYTE?data2;??BYTE?data3;??ptr?=?new?unsigned?char[i];??for(intj=0;?j<ColorImage->height;?j++)???????????????????{???????for(intx=0;?x<ColorImage->width;?x++)???????{???????????data1?=?(BYTE)ColorImage->imageData[j*ColorImage->widthStep?+?i*3];????????????data2?=?(BYTE)ColorImage->imageData[j*ColorImage->widthStep?+?i*3?+?1];????????data3?=?(BYTE)ColorImage->imageData[j*ColorImage->widthStep?+?i*3?+?2];????????????ptr[j*ColorImage->width+x]=(BYTE)(0.072169*data1?+?0.715160*data2?+?0.212671*data3);???????}??}??OpenCvGrayImage=cvCreateImageHeader(cvGetSize(ColorImage),?ColorImage->depth,?1);????cvSetData(GrayImage,ptr,?GrayImage->widthStep);???????????cvNamedWindow("GrayImage",CV_WINDOW_AUTOSIZE);??cvShowImage("GrayImage",OpenCvGrayImage);?????????????????cvWaitKey(0);??cvDestroyWindow("GrayImage");??
圖3 灰度化后的圖像
3.2 圖像的高斯濾波
?? ? ??根據(jù)上面所講的邊緣檢測過程，下一個步驟就是對圖像進行高斯濾波。可根據(jù)之前博文描述的方法獲取一維或者二維的高斯濾波核。因此進行圖像高斯濾波可有兩種實現(xiàn)方式，以下具體進行介紹。
?? ? ??首先定義該部分的通用變量：
double?nSigma?=?0.4;??????????????????????????????int?nWidowSize?=?1+2*ceil(3*nSigma);??????????????int?nCenter?=?(nWidowSize)/2;?????????????????????
?? ? ? 兩種方法都需要用到的變量：
int?nWidth?=?OpenCvGrayImage->width;???????????????????????????????int?nHeight?=?OpenCvGrayImage->height;?????????????????????????????unsigned?char*?nImageData?=?new?unsigned?char[nWidth*nHeight];?????unsigned?char*pCanny?=?new?unsigned?char[nWidth*nHeight];??????????double*?nData?=?new?double[nWidth*nHeight];????????????????????????for(int?j=0;?j<nHeight;?j++)???????????????????????????????????????{??????for(i=0;?i<nWidth;?i++)???????????????nImageData[j*nWidth+i]?=?(unsigned?char)OpenCvGrayImage->imageData[j*nWidth+i];??}??
3.2.1 根據(jù)一維高斯核進行兩次濾波
?? ? ??1）生成一維高斯濾波系數(shù)
??double*?pdKernal_1?=?new?double[nWidowSize];??????double??dSum_1?=?0.0;?????????????????????????????????????????????for(int?i=0;?i<nWidowSize;?i++)??{??????????double?nDis?=?(double)(i-nCenter);??????pdKernal_1[i]?=?exp(-(0.5)*nDis*nDis/(nSigma*nSigma))/(sqrt(2*3.14159)*nSigma);??????dSum_1?+=?pdKernal_1[i];??}??for(i=0;?i<nWidowSize;?i++)??{??????pdKernal_1[i]?/=?dSum_1;???????????????????}??
?? ? ? 2）分別進行x向和y向的一維加權(quán)濾波，濾波后的數(shù)據(jù)保存在矩陣pCanny中
for(i=0;?i<nHeight;?i++)?????????????????????????????????{??????for(j=0;?j<nWidth;?j++)??????{??????????double?dSum?=?0;??????????double?dFilter=0;?????????????????????????????????????????????????for(int?nLimit=(-nCenter);?nLimit<=nCenter;?nLimit++)??????????{??????????????if((j+nLimit)>=0?&&?(j+nLimit)?<?nWidth?)?????????????????????{??????????????????dFilter?+=?(double)nImageData[i*nWidth+j+nLimit]?*?pdKernal_1[nCenter+nLimit];??????????????????dSum?+=?pdKernal_1[nCenter+nLimit];??????????????}??????????}??????????nData[i*nWidth+j]?=?dFilter/dSum;??????}??}????for(i=0;?i<nWidth;?i++)??????????????????????????????????{??????for(j=0;?j<nHeight;?j++)??????{??????????double?dSum?=?0.0;??????????double?dFilter=0;??????????for(int?nLimit=(-nCenter);?nLimit<=nCenter;?nLimit++)??????????{??????????????if((j+nLimit)>=0?&&?(j+nLimit)?<?nHeight)?????????????????????{??????????????????dFilter?+=?(double)nData[(j+nLimit)*nWidth+i]?*?pdKernal_1[nCenter+nLimit];??????????????????dSum?+=?pdKernal_1[nCenter+nLimit];??????????????}??????????}??????????pCanny[j*nWidth+i]?=?(unsigned?char)(int)dFilter/dSum;??????}??}??
3.2.2?根據(jù)二維高斯核進行濾波
?? ? ?1）生成二維高斯濾波系數(shù)
??double*?pdKernal_2?=?new?double[nWidowSize*nWidowSize];???double??dSum_2?=?0.0;???????????????????????????????????????????????????for(i=0;?i<nWidowSize;?i++)??{??????for(int?j=0;?j<nWidowSize;?j++)??????{??????????int?nDis_x?=?i-nCenter;??????????int?nDis_y?=?j-nCenter;??????????pdKernal_2[i+j*nWidowSize]=exp(-(1/2)*(nDis_x*nDis_x+nDis_y*nDis_y)??????????????/(nSigma*nSigma))/(2*3.1415926*nSigma*nSigma);??????????dSum_2?+=?pdKernal_2[i+j*nWidowSize];??????}??}??for(i=0;?i<nWidowSize;?i++)??{??????for(int?j=0;?j<nWidowSize;?j++)???????????????????????????{??????????pdKernal_2[i+j*nWidowSize]?/=?dSum_2;??????}??}??
?? ? ?2）采用高斯核進行高斯濾波，濾波后的數(shù)據(jù)保存在矩陣pCanny中
int?x;??int?y;??for(i=0;?i<nHeight;?i++)??{??????for(j=0;?j<nWidth;?j++)??????{??????????double?dFilter=0.0;??????????double?dSum?=?0.0;??????????for(x=(-nCenter);?x<=nCenter;?x++)???????????????????????????????{??????????????????????????for(y=(-nCenter);?y<=nCenter;?y++)???????????????????????????{??????????????????if(?(j+x)>=0?&&?(j+x)<nWidth?&&?(i+y)>=0?&&?(i+y)<nHeight)???????????????????{??????????????????????dFilter?+=?(double)nImageData?[(i+y)*nWidth?+?(j+x)]??????????????????????????*?pdKernal_2[(y+nCenter)*nWidowSize+(x+nCenter)];??????????????????????dSum?+=?pdKernal_2[(y+nCenter)*nWidowSize+(x+nCenter)];??????????????????}??????????????}??????????}??????????pCanny[i*nWidth+j]?=?(unsigned?char)dFilter/dSum;??????}??}??
3.3 圖像增強——計算圖像梯度及其方向
?? ? ?根據(jù)上文分析可知，實現(xiàn)代碼如下
????????double*?P?=?new?double[nWidth*nHeight];???????????????????double*?Q?=?new?double[nWidth*nHeight];???????????????????int*?M?=?new?int[nWidth*nHeight];?????????????????????????double*?Theta?=?new?double[nWidth*nHeight];?????????????????for(i=0;?i<(nHeight-1);?i++)??{??????????for(j=0;?j<(nWidth-1);?j++)??????????{????????????????P[i*nWidth+j]?=?(double)(pCanny[i*nWidth?+?min(j+1,?nWidth-1)]?-?pCanny[i*nWidth+j]?+?pCanny[min(i+1,?nHeight-1)*nWidth+min(j+1,?nWidth-1)]?-?pCanny[min(i+1,?nHeight-1)*nWidth+j])/2;????????????????Q[i*nWidth+j]?=?(double)(pCanny[i*nWidth+j]?-?pCanny[min(i+1,?nHeight-1)*nWidth+j]?+?pCanny[i*nWidth+min(j+1,?nWidth-1)]?-?pCanny[min(i+1,?nHeight-1)*nWidth+min(j+1,?nWidth-1)])/2;??????}??}????for(i=0;?i<nHeight;?i++)??{??????????for(j=0;?j<nWidth;?j++)??????????{????????????????M[i*nWidth+j]?=?(int)(sqrt(P[i*nWidth+j]*P[i*nWidth+j]?+?Q[i*nWidth+j]*Q[i*nWidth+j])+0.5);????????????????Theta[i*nWidth+j]?=?atan2(Q[i*nWidth+j],?P[i*nWidth+j])?*?57.3;????????????????if(Theta[i*nWidth+j]?<?0)??????????????????????Theta[i*nWidth+j]?+=?360;????????????????????}??}??
3.4 非極大值抑制
?? ? ?根據(jù)上文所述的工作原理，這部分首先需要求解每個像素點在其鄰域內(nèi)的梯度方向的兩個灰度值，然后判斷是否為潛在的邊緣，如果不是則將該點灰度值設(shè)置為0.
?? ? ?首先定義相關(guān)的參數(shù)如下：
unsigned?char*?N?=?new?unsigned?char[nWidth*nHeight];????int?g1=0,?g2=0,?g3=0,?g4=0;??????????????????????????????double?dTmp1=0.0,?dTmp2=0.0;?????????????????????????????double?dWeight=0.0;?????????????????????????????????????? ?? ? ?其次，對邊界進行初始化： for(i=0;?i<nWidth;?i++)??{??????????N[i]?=?0;??????????N[(nHeight-1)*nWidth+i]?=?0;??}??for(j=0;?j<nHeight;?j++)??{??????????N[j*nWidth]?=?0;??????????N[j*nWidth+(nWidth-1)]?=?0;??}?? ?? ? ?進行局部最大值尋找，根據(jù)上文圖1所述的方案進行插值，然后判優(yōu)，實現(xiàn)代碼如下：
for(i=1;?i<(nWidth-1);?i++)??{??????for(j=1;?j<(nHeight-1);?j++)??????{??????????int?nPointIdx?=?i+j*nWidth;?????????????????if(M[nPointIdx]?==?0)??????????????N[nPointIdx]?=?0;???????????????????else??????????{??????????????????????????????????????????????????????????????????????if(?((Theta[nPointIdx]>=90)&&(Theta[nPointIdx]<135))?||???????????????????((Theta[nPointIdx]>=270)&&(Theta[nPointIdx]<315)))??????????????{????????????????????????????????????g1?=?M[nPointIdx-nWidth-1];??????????????????g2?=?M[nPointIdx-nWidth];??????????????????g3?=?M[nPointIdx+nWidth];??????????????????g4?=?M[nPointIdx+nWidth+1];??????????????????dWeight?=?fabs(P[nPointIdx])/fabs(Q[nPointIdx]);?????????????????????dTmp1?=?g1*dWeight+g2*(1-dWeight);??????????????????dTmp2?=?g4*dWeight+g3*(1-dWeight);??????????????}????????????????????????????????????????????????????????????????else?if(?((Theta[nPointIdx]>=135)&&(Theta[nPointIdx]<180))?||???????????????????((Theta[nPointIdx]>=315)&&(Theta[nPointIdx]<360)))??????????????{??????????????????g1?=?M[nPointIdx-nWidth-1];??????????????????g2?=?M[nPointIdx-1];??????????????????g3?=?M[nPointIdx+1];??????????????????g4?=?M[nPointIdx+nWidth+1];??????????????????dWeight?=?fabs(Q[nPointIdx])/fabs(P[nPointIdx]);?????????????????????dTmp1?=?g2*dWeight+g1*(1-dWeight);??????????????????dTmp2?=?g4*dWeight+g3*(1-dWeight);??????????????}????????????????????????????????????????????????????????????????else?if(?((Theta[nPointIdx]>=45)&&(Theta[nPointIdx]<90))?||???????????????????((Theta[nPointIdx]>=225)&&(Theta[nPointIdx]<270)))??????????????{??????????????????g1?=?M[nPointIdx-nWidth];??????????????????g2?=?M[nPointIdx-nWidth+1];??????????????????g3?=?M[nPointIdx+nWidth];??????????????????g4?=?M[nPointIdx+nWidth-1];??????????????????dWeight?=?fabs(P[nPointIdx])/fabs(Q[nPointIdx]);?????????????????????dTmp1?=?g2*dWeight+g1*(1-dWeight);??????????????????dTmp2?=?g3*dWeight+g4*(1-dWeight);??????????????}????????????????????????????????????????????????????????????????????????????????????else?if(?((Theta[nPointIdx]>=0)&&(Theta[nPointIdx]<45))?||???????????????????((Theta[nPointIdx]>=180)&&(Theta[nPointIdx]<225)))??????????????{??????????????????g1?=?M[nPointIdx-nWidth+1];??????????????????g2?=?M[nPointIdx+1];??????????????????g3?=?M[nPointIdx+nWidth-1];??????????????????g4?=?M[nPointIdx-1];??????????????????dWeight?=?fabs(Q[nPointIdx])/fabs(P[nPointIdx]);?????????????????????dTmp1?=?g1*dWeight+g2*(1-dWeight);??????????????????dTmp2?=?g3*dWeight+g4*(1-dWeight);??????????????}??????????}???????????????????????????if((M[nPointIdx]>=dTmp1)?&&?(M[nPointIdx]>=dTmp2))??????????????N[nPointIdx]?=?128;??????????else??????????????N[nPointIdx]?=?0;??????????}??}?? 3.5雙閾值檢測實現(xiàn)
?? ? ?1）定義相應參數(shù)如下
int?nHist[1024];???int?nEdgeNum;???????????????int?nMaxMag?=?0;????????????int?nHighCount;??
?? ? ?2）構(gòu)造灰度圖的統(tǒng)計直方圖，根據(jù)上文梯度幅值的計算公式可知，最大的梯度幅值為：
?? ? ?因此設(shè)置nHist為1024足夠。以下實現(xiàn)統(tǒng)計直方圖：
for(i=0;i<1024;i++)??????????nHist[i]?=?0;??for(i=0;?i<nHeight;?i++)??{??????????for(j=0;?j<nWidth;?j++)??????????{????????????????if(N[i*nWidth+j]==128)?????????????????????nHist[M[i*nWidth+j]]++;??????????}??}?? ?? ? ?3）獲取最大梯度幅值及潛在邊緣點個數(shù)
nEdgeNum?=?nHist[0];??nMaxMag?=?0;??????????????????????for(i=1;?i<1024;?i++)?????????????{??????if(nHist[i]?!=?0)?????????????{??????????nMaxMag?=?i;??????}?????????nEdgeNum?+=?nHist[i];?????}??
?? ? ?4）計算兩個閾值 double??dRatHigh?=?0.79;??double??dThrHigh;??double??dThrLow;??double??dRatLow?=?0.5;??nHighCount?=?(int)(dRatHigh?*?nEdgeNum?+?0.5);??j=1;??nEdgeNum?=?nHist[1];??while((j<(nMaxMag-1))?&&?(nEdgeNum?<?nHighCount))??{?????????j++;?????????nEdgeNum?+=?nHist[j];??}??dThrHigh?=?j;?????????????????????????????????????dThrLow?=?(int)((dThrHigh)?*?dRatLow?+?0.5);??????
?? ? ?這段代碼的意思是，按照灰度值從低到高的順序，選取前79%個灰度值中的最大的灰度值為高閾值，低閾值大約為高閾值的一半。這是根據(jù)經(jīng)驗數(shù)據(jù)的來的，至于更好地參數(shù)選取方法，作者后面會另文研究。
?? ? ?5）進行邊緣檢測
SIZE?sz;??sz.cx?=?nWidth;??sz.cy?=?nHeight;??for(i=0;?i<nHeight;?i++)??{??????for(j=0;?j<nWidth;?j++)??????{??????????if((N[i*nWidth+j]==128)?&&?(M[i*nWidth+j]?>=?dThrHigh))??????????{??????????????N[i*nWidth+j]?=?255;??????????????TraceEdge(i,?j,?dThrLow,?N,?M,?sz);??????????}??????}??}??
?? ? ? ?以上代碼在非極大值抑制產(chǎn)生的二值灰度矩陣的潛在點中按照高閾值尋找邊緣，并以所找到的點為中心尋找鄰域內(nèi)滿足低閾值的點，從而形成一個閉合的輪廓。然后對于不滿足條件的點，可用如下代碼直接刪除掉。
??for(i=0;?i<nHeight;?i++)??{??????for(j=0;?j<nWidth;?j++)??????{??????????if(N[i*nWidth+j]?!=?255)??????????{??????????????N[i*nWidth+j]??=?0?;?????????????}??????}??}?? ?? ? ? 其中TraceEdge函數(shù)為一個嵌套函數(shù)，用于在每個像素點的鄰域內(nèi)尋找滿足條件的點。其實現(xiàn)代碼如下：
void?TraceEdge(int?y,?int?x,?int?nThrLow,?LPBYTE?pResult,?int?*pMag,?SIZE?sz)??{????????????int?xNum[8]?=?{1,1,0,-1,-1,-1,0,1};??????int?yNum[8]?=?{0,1,1,1,0,-1,-1,-1};??????????LONG?yy,xx,k;??????for(k=0;k<8;k++)??????{??????????yy?=?y+yNum[k];??????????xx?=?x+xNum[k];??????????if(pResult[yy*sz.cx+xx]==128?&&?pMag[yy*sz.cx+xx]>=nThrLow?)??????????{????????????????????????????pResult[yy*sz.cx+xx]?=?255;????????????????????????????TraceEdge(yy,xx,nThrLow,pResult,pMag,sz);??????????}??????}??}??
以上就從原理上實現(xiàn)了整個Canny算法。其檢測效果如圖4所示。注意：以上代碼僅為作者理解所為，目的是驗證本人對算法的理解，暫時沒有考慮到代碼的執(zhí)行效率的問題。
圖4 邊緣檢測結(jié)果
4、擴展
首先看一下OpenCV中cvCanny函數(shù)對該圖像的處理結(jié)果，如圖5所示。
圖5 OpenCV中的Canny邊緣檢測結(jié)果
?? ? 對比圖4和圖5可以發(fā)現(xiàn)，作者自己實現(xiàn)的邊緣檢測效果沒有OpenCV的好，具體體現(xiàn)在：1）丟失了一些真的邊緣；2）增加了一些假的邊緣。
?? ? ?經(jīng)過對整個算法的來回檢查，初步推斷主要的問題可能在于在進行灰度矩陣梯度幅值計算式所采用的模板算子性能不是太好，還有就是關(guān)于兩個閾值的選取方法。關(guān)于這兩個方面的改進研究，后文闡述。
5、總結(jié)
?? ? ? ? 本文是過去一段時間，對圖像邊緣檢測方法學習的總結(jié)。主要闡述了Canny算法的工作原理，實現(xiàn)過程，在此基礎(chǔ)上基于VC6.0實現(xiàn)了該算法，并給出了效果圖。最后，通過對比發(fā)現(xiàn)本文的實現(xiàn)方法雖然能夠?qū)崿F(xiàn)邊緣檢測，但效果還不是很理想，今后將在閾值選取原則和梯度幅值算子兩個方面進行改進。
總結(jié)
以上是生活随笔為你收集整理的Canny边缘检测算法原理及其VC实现详解(二)的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。
