久久国产成人av_抖音国产毛片_a片网站免费观看_A片无码播放手机在线观看,色五月在线观看,亚洲精品m在线观看,女人自慰的免费网址,悠悠在线观看精品视频,一级日本片免费的,亚洲精品久,国产精品成人久久久久久久

搜索
分享

Canny邊緣檢測(cè)算法原理及其VC實(shí)現(xiàn)詳解(二)

 杰杰梅梅一生一世 2013-05-31

3,、  Canny算法的實(shí)現(xiàn)流程

       由于本文主要目的在于學(xué)習(xí)和實(shí)現(xiàn)算法,，而對(duì)于圖像讀取,、視頻獲取等內(nèi)容不進(jìn)行闡述。因此選用OpenCV算法庫(kù)作為其他功能的實(shí)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(shí)采用上文所描述的第二種方法來(lái)實(shí)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,。

  1. IplImage* ColorImage = cvLoadImage( "12.jpg", -1 );   //讀入圖像，獲取彩圖指針   
  2. IplImage* OpenCvGrayImage;                            //定義變換后的灰度圖指針   
  3. unsigned char* ptr;                                   //指向圖像的數(shù)據(jù)首地址   
  4. if (ColorImage == NULL)  
  5.      return;        
  6. int i = ColorImage->width * ColorImage->height;         
  7. BYTE data1;       //中間過(guò)程變量   
  8. BYTE data2;  
  9. BYTE data3;  
  10. ptr = new unsigned char[i];  
  11. for(intj=0; j<ColorImage->height; j++)                 //對(duì)RGB加權(quán)平均,，權(quán)值參考OpenCV   
  12. {  
  13.      for(intx=0; x<ColorImage->width; x++)  
  14.      {  
  15.          data1 = (BYTE)ColorImage->imageData[j*ColorImage->widthStep + i*3];     //B分量   
  16.      data2 = (BYTE)ColorImage->imageData[j*ColorImage->widthStep + i*3 + 1]; //G分量   
  17.      data3 = (BYTE)ColorImage->imageData[j*ColorImage->widthStep + i*3 + 2]; //R分量   
  18.          ptr[j*ColorImage->width+x]=(BYTE)(0.072169*data1 + 0.715160*data2 + 0.212671*data3);  
  19.      }  
  20. }  
  21. OpenCvGrayImage=cvCreateImageHeader(cvGetSize(ColorImage), ColorImage->depth, 1);    
  22. cvSetData(GrayImage,ptr, GrayImage->widthStep);         //根據(jù)數(shù)據(jù)生成灰度圖   
  23. cvNamedWindow("GrayImage",CV_WINDOW_AUTOSIZE);  
  24. cvShowImage("GrayImage",OpenCvGrayImage);               //顯示灰度圖   
  25. cvWaitKey(0);  
  26. 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(cè)過(guò)程,，下一個(gè)步驟就是對(duì)圖像進(jìn)行高斯濾波?？筛鶕?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(jìn)行圖像高斯濾波可有兩種實(shí)現(xiàn)方式,，以下具體進(jìn)行介紹。

       首先定義該部分的通用變量：

  1. double nSigma = 0.4;                            //定義高斯函數(shù)的標(biāo)準(zhǔn)差   
  2. int nWidowSize = 1+2*ceil(3*nSigma);            //定義濾波窗口的大小   
  3. int nCenter = (nWidowSize)/2;                   //定義濾波窗口中心的索引  

       兩種方法都需要用到的變量：

  1. int nWidth = OpenCvGrayImage->width;                             //獲取圖像的像素寬度   
  2. int nHeight = OpenCvGrayImage->height;                           //獲取圖像的像素高度   
  3. unsigned char* nImageData = new unsigned char[nWidth*nHeight];   //暫時(shí)保存圖像中的數(shù)據(jù)   
  4. unsigned char*pCanny = new unsigned char[nWidth*nHeight];        //為平滑后的圖像數(shù)據(jù)分配內(nèi)存   
  5. double* nData = new double[nWidth*nHeight];                      //兩次平滑的中間數(shù)據(jù)   
  6. for(int j=0; j<nHeight; j++)                                     //獲取數(shù)據(jù)   
  7. {  
  8.     for(i=0; i<nWidth; i++)  
  9.              nImageData[j*nWidth+i] = (unsigned char)OpenCvGrayImage->imageData[j*nWidth+i];  
  10. }  

3.2.1 根據(jù)一維高斯核進(jìn)行兩次濾波

       1）生成一維高斯濾波系數(shù)

  1. //////////////////////生成一維高斯濾波系數(shù)/////////////////////////////   
  2. double* pdKernal_1 = new double[nWidowSize];    //定義一維高斯核數(shù)組   
  3. double  dSum_1 = 0.0;                           //求和,，用于進(jìn)行歸一化           
  4. ////////////////////////一維高斯函數(shù)公式//////////////////////////////        
  5. ////                   x*x                           /////////////////   
  6. ////          -1*----------------                    /////////////////   
  7. ////         1     2*Sigma*Sigma                     /////////////////   
  8. ////   ------------ e                                /////////////////   
  9. ////                                                 /////////////////   
  10. ////   \/2*pi*Sigma                                  /////////////////   
  11. //////////////////////////////////////////////////////////////////////   
  12. for(int i=0; i<nWidowSize; i++)  
  13. {  
  14.         double nDis = (double)(i-nCenter);  
  15.     pdKernal_1[i] = exp(-(0.5)*nDis*nDis/(nSigma*nSigma))/(sqrt(2*3.14159)*nSigma);  
  16.     dSum_1 += pdKernal_1[i];  
  17. }  
  18. for(i=0; i<nWidowSize; i++)  
  19. {  
  20.     pdKernal_1[i] /= dSum_1;                 //進(jìn)行歸一化   
  21. }  

       2）分別進(jìn)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 





    

  1. for(i=0; i<nHeight; i++)                               //進(jìn)行x向的高斯濾波(加權(quán)平均)    

  2. {   

  3.     for(j=0; j<nWidth; j++)   

  4.     {   

  5.         double dSum = 0;   

  6.         double dFilter=0;                                       //濾波中間值    

  7.         for(int nLimit=(-nCenter); nLimit<=nCenter; nLimit++)   

  8.         {   

  9.             if((j+nLimit)>=0 && (j+nLimit) < nWidth )       //圖像不能超出邊界    

  10.             {   

  11.                 dFilter += (double)nImageData[i*nWidth+j+nLimit] * pdKernal_1[nCenter+nLimit];   

  12.                 dSum += pdKernal_1[nCenter+nLimit];   

  13.             }   

  14.         }   

  15.         nData[i*nWidth+j] = dFilter/dSum;   

  16.     }   

  17. }   

  18.    

  19. for(i=0; i<nWidth; i++)                                //進(jìn)行y向的高斯濾波(加權(quán)平均)    

  20. {   

  21.     for(j=0; j<nHeight; j++)   

  22.     {   

  23.         double dSum = 0.0;   

  24.         double dFilter=0;   

  25.         for(int nLimit=(-nCenter); nLimit<=nCenter; nLimit++)   

  26.         {   

  27.             if((j+nLimit)>=0 && (j+nLimit) < nHeight)       //圖像不能超出邊界    

  28.             {   

  29.                 dFilter += (double)nData[(j+nLimit)*nWidth+i] * pdKernal_1[nCenter+nLimit];   

  30.                 dSum += pdKernal_1[nCenter+nLimit];   

  31.             }   

  32.         }   

  33.         pCanny[j*nWidth+i] = (unsigned char)(int)dFilter/dSum;   

  34.     }   

  35. }  



3.2.2 根據(jù)二維高斯核進(jìn)行濾波


      1）生成二維高斯濾波系數(shù)






    

  1. //////////////////////生成一維高斯濾波系數(shù)//////////////////////////////////      

  2. double* pdKernal_2 = new double[nWidowSize*nWidowSize]; //定義一維高斯核數(shù)組    

  3. double  dSum_2 = 0.0;                                   //求和,，進(jìn)行歸一化          

  4. ///////////////////////二維高斯函數(shù)公式////////////////////////////////////        

  5. ////                         x*x+y*y                        ///////////////    

  6. ////                   -1*--------------                ///////////////    

  7. ////         1             2*Sigma*Sigma                ///////////////    

  8. ////   ---------------- e                                   ///////////////    

  9. ////   2*pi*Sigma*Sigma                                     ///////////////    

  10. ///////////////////////////////////////////////////////////////////////////    

  11. for(i=0; i<nWidowSize; i++)   

  12. {   

  13.     for(int j=0; j<nWidowSize; j++)   

  14.     {   

  15.         int nDis_x = i-nCenter;   

  16.         int nDis_y = j-nCenter;   

  17.         pdKernal_2[i+j*nWidowSize]=exp(-(1/2)*(nDis_x*nDis_x+nDis_y*nDis_y)   

  18.             /(nSigma*nSigma))/(2*3.1415926*nSigma*nSigma);   

  19.         dSum_2 += pdKernal_2[i+j*nWidowSize];   

  20.     }   

  21. }   

  22. for(i=0; i<nWidowSize; i++)   

  23. {   

  24.     for(int j=0; j<nWidowSize; j++)                 //進(jìn)行歸一化    

  25.         {   

  26.         pdKernal_2[i+j*nWidowSize] /= dSum_2;   

  27.     }   

  28. }  

      2）采用高斯核進(jìn)行高斯濾波,，濾波后的數(shù)據(jù)保存在矩陣pCanny中 





    

  1. int x;   

  2. int y;   

  3. for(i=0; i<nHeight; i++)   

  4. {   

  5.     for(j=0; j<nWidth; j++)   

  6.     {   

  7.         double dFilter=0.0;   

  8.         double dSum = 0.0;   

  9.         for(x=(-nCenter); x<=nCenter; x++)                     //行    

  10.         {   

  11.                         for(y=(-nCenter); y<=nCenter; y++)             //列    

  12.             {   

  13.                 if( (j+x)>=0 && (j+x)<nWidth && (i+y)>=0 && (i+y)<nHeight) //判斷邊緣    

  14.                 {   

  15.                     dFilter += (double)nImageData [(i+y)*nWidth + (j+x)]   

  16.                         * pdKernal_2[(y+nCenter)*nWidowSize+(x+nCenter)];   

  17.                     dSum += pdKernal_2[(y+nCenter)*nWidowSize+(x+nCenter)];   

  18.                 }   

  19.             }   

  20.         }   

  21.         pCanny[i*nWidth+j] = (unsigned char)dFilter/dSum;   

  22.     }   

  23. }  

3.3 圖像增強(qiáng)——計(jì)算圖像梯度及其方向 



      根據(jù)上文分析可知，實(shí)現(xiàn)代碼如下






    

  1. //////////////////同樣可以用不同的檢測(cè)器/////////////////////////    

  2. /////    P[i,j]=(S[i,j+1]-S[i,j]+S[i+1,j+1]-S[i+1,j])/2     /////    

  3. /////    Q[i,j]=(S[i,j]-S[i+1,j]+S[i,j+1]-S[i+1,j+1])/2     /////    

  4. /////////////////////////////////////////////////////////////////    

  5. double* P = new double[nWidth*nHeight];                 //x向偏導(dǎo)數(shù)    

  6. double* Q = new double[nWidth*nHeight];                 //y向偏導(dǎo)數(shù)    

  7. int* M = new int[nWidth*nHeight];                       //梯度幅值    

  8. double* Theta = new double[nWidth*nHeight];             //梯度方向    

  9. //計(jì)算x,y方向的偏導(dǎo)數(shù)    

  10. for(i=0; i<(nHeight-1); i++)   

  11. {   

  12.         for(j=0; j<(nWidth-1); j++)   

  13.         {   

  14.               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;   

  15.               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;   

  16.     }   

  17. }   

  18. //計(jì)算梯度幅值和梯度的方向    

  19. for(i=0; i<nHeight; i++)   

  20. {   

  21.         for(j=0; j<nWidth; j++)   

  22.         {   

  23.               M[i*nWidth+j] = (int)(sqrt(P[i*nWidth+j]*P[i*nWidth+j] + Q[i*nWidth+j]*Q[i*nWidth+j])+0.5);   

  24.               Theta[i*nWidth+j] = atan2(Q[i*nWidth+j], P[i*nWidth+j]) * 57.3;   

  25.               if(Theta[i*nWidth+j] < 0)   

  26.                     Theta[i*nWidth+j] += 360;              //將這個(gè)角度轉(zhuǎn)換到0~360范圍    

  27.     }   

  28. }  






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(gè)像素點(diǎn)在其鄰域內(nèi)的梯度方向的兩個(gè)灰度值,，然后判斷是否為潛在的邊緣，如果不是則將該點(diǎn)灰度值設(shè)置為0.


      首先定義相關(guān)的參數(shù)如下：






    

  1. unsigned char* N = new unsigned char[nWidth*nHeight];  //非極大值抑制結(jié)果    

  2. int g1=0, g2=0, g3=0, g4=0;                            //用于進(jìn)行插值,，得到亞像素點(diǎn)坐標(biāo)值    

  3. double dTmp1=0.0, dTmp2=0.0;                           //保存兩個(gè)亞像素點(diǎn)插值得到的灰度數(shù)據(jù)    

  4. double dWeight=0.0;                                    //插值的權(quán)重  
      其次,，對(duì)邊界進(jìn)行初始化： 





    

  1. for(i=0; i<nWidth; i++)   

  2. {   

  3.         N[i] = 0;   

  4.         N[(nHeight-1)*nWidth+i] = 0;   

  5. }   

  6. for(j=0; j<nHeight; j++)   

  7. {   

  8.         N[j*nWidth] = 0;   

  9.         N[j*nWidth+(nWidth-1)] = 0;   

  10. }  
      進(jìn)行局部最大值尋找，根據(jù)上文圖1所述的方案進(jìn)行插值,，然后判優(yōu),，實(shí)現(xiàn)代碼如下：






    

  1. for(i=1; i<(nWidth-1); i++)   

  2. {   

  3.     for(j=1; j<(nHeight-1); j++)   

  4.     {   

  5.         int nPointIdx = i+j*nWidth;       //當(dāng)前點(diǎn)在圖像數(shù)組中的索引值    

  6.         if(M[nPointIdx] == 0)   

  7.             N[nPointIdx] = 0;         //如果當(dāng)前梯度幅值為0,，則不是局部最大對(duì)該點(diǎn)賦為0    

  8.         else   

  9.         {   

  10.         ////////首先判斷屬于那種情況,，然后根據(jù)情況插值///////    

  11.         ////////////////////第一種情況///////////////////////    

  12.         /////////       g1  g2                  /////////////    

  13.         /////////           C                   /////////////    

  14.         /////////           g3  g4              /////////////    

  15.         /////////////////////////////////////////////////////    

  16.         if( ((Theta[nPointIdx]>=90)&&(Theta[nPointIdx]<135)) ||    

  17.                 ((Theta[nPointIdx]>=270)&&(Theta[nPointIdx]<315)))   

  18.             {   

  19.                 //////根據(jù)斜率和四個(gè)中間值進(jìn)行插值求解    

  20.                 g1 = M[nPointIdx-nWidth-1];   

  21.                 g2 = M[nPointIdx-nWidth];   

  22.                 g3 = M[nPointIdx+nWidth];   

  23.                 g4 = M[nPointIdx+nWidth+1];   

  24.                 dWeight = fabs(P[nPointIdx])/fabs(Q[nPointIdx]);   //反正切    

  25.                 dTmp1 = g1*dWeight+g2*(1-dWeight);   

  26.                 dTmp2 = g4*dWeight+g3*(1-dWeight);   

  27.             }   

  28.         ////////////////////第二種情況///////////////////////    

  29.         /////////       g1                      /////////////    

  30.         /////////       g2  C   g3              /////////////    

  31.         /////////               g4              /////////////    

  32.         /////////////////////////////////////////////////////    

  33.             else if( ((Theta[nPointIdx]>=135)&&(Theta[nPointIdx]<180)) ||    

  34.                 ((Theta[nPointIdx]>=315)&&(Theta[nPointIdx]<360)))   

  35.             {   

  36.                 g1 = M[nPointIdx-nWidth-1];   

  37.                 g2 = M[nPointIdx-1];   

  38.                 g3 = M[nPointIdx+1];   

  39.                 g4 = M[nPointIdx+nWidth+1];   

  40.                 dWeight = fabs(Q[nPointIdx])/fabs(P[nPointIdx]);   //正切    

  41.                 dTmp1 = g2*dWeight+g1*(1-dWeight);   

  42.                 dTmp2 = g4*dWeight+g3*(1-dWeight);   

  43.             }   

  44.         ////////////////////第三種情況///////////////////////    

  45.         /////////           g1  g2              /////////////    

  46.         /////////           C                   /////////////    

  47.         /////////       g4  g3                  /////////////    

  48.         /////////////////////////////////////////////////////    

  49.             else if( ((Theta[nPointIdx]>=45)&&(Theta[nPointIdx]<90)) ||    

  50.                 ((Theta[nPointIdx]>=225)&&(Theta[nPointIdx]<270)))   

  51.             {   

  52.                 g1 = M[nPointIdx-nWidth];   

  53.                 g2 = M[nPointIdx-nWidth+1];   

  54.                 g3 = M[nPointIdx+nWidth];   

  55.                 g4 = M[nPointIdx+nWidth-1];   

  56.                 dWeight = fabs(P[nPointIdx])/fabs(Q[nPointIdx]);   //反正切    

  57.                 dTmp1 = g2*dWeight+g1*(1-dWeight);   

  58.                 dTmp2 = g3*dWeight+g4*(1-dWeight);   

  59.             }   

  60.             ////////////////////第四種情況///////////////////////    

  61.             /////////               g1              /////////////    

  62.             /////////       g4  C   g2              /////////////    

  63.             /////////       g3                      /////////////    

  64.             /////////////////////////////////////////////////////    

  65.             else if( ((Theta[nPointIdx]>=0)&&(Theta[nPointIdx]<45)) ||    

  66.                 ((Theta[nPointIdx]>=180)&&(Theta[nPointIdx]<225)))   

  67.             {   

  68.                 g1 = M[nPointIdx-nWidth+1];   

  69.                 g2 = M[nPointIdx+1];   

  70.                 g3 = M[nPointIdx+nWidth-1];   

  71.                 g4 = M[nPointIdx-1];   

  72.                 dWeight = fabs(Q[nPointIdx])/fabs(P[nPointIdx]);   //正切    

  73.                 dTmp1 = g1*dWeight+g2*(1-dWeight);   

  74.                 dTmp2 = g3*dWeight+g4*(1-dWeight);   

  75.             }   

  76.         }          

  77.         //////////進(jìn)行局部最大值判斷,，并寫(xiě)入檢測(cè)結(jié)果////////////////    

  78.         if((M[nPointIdx]>=dTmp1) && (M[nPointIdx]>=dTmp2))   

  79.             N[nPointIdx] = 128;   

  80.         else   

  81.             N[nPointIdx] = 0;   

  82.         }   

  83. }  




3.5雙閾值檢測(cè)實(shí)現(xiàn)


      1）定義相應(yīng)參數(shù)如下






    

  1. int nHist[1024];    

  2. int nEdgeNum;             //可能邊界數(shù)    

  3. int nMaxMag = 0;          //最大梯度數(shù)    

  4. int nHighCount;  

      2）構(gòu)造灰度圖的統(tǒng)計(jì)直方圖，根據(jù)上文梯度幅值的計(jì)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(shí)現(xiàn)統(tǒng)計(jì)直方圖：






    

  1. for(i=0;i<1024;i++)   

  2.         nHist[i] = 0;   

  3. for(i=0; i<nHeight; i++)   

  4. {   

  5.         for(j=0; j<nWidth; j++)   

  6.         {   

  7.               if(N[i*nWidth+j]==128)   

  8.                    nHist[M[i*nWidth+j]]++;   

  9.         }   

  10. }  


      3）獲取最大梯度幅值及潛在邊緣點(diǎn)個(gè)數(shù)






    

  1. nEdgeNum = nHist[0];   

  2. nMaxMag = 0;                    //獲取最大的梯度值          

  3. for(i=1; i<1024; i++)           //統(tǒng)計(jì)經(jīng)過(guò)“非最大值抑制”后有多少像素    

  4. {   

  5.     if(nHist[i] != 0)       //梯度為0的點(diǎn)是不可能為邊界點(diǎn)的    

  6.     {   

  7.         nMaxMag = i;   

  8.     }      

  9.     nEdgeNum += nHist[i];   //經(jīng)過(guò)non-maximum suppression后有多少像素    

  10. }  

      4）計(jì)算兩個(gè)閾值 







    

  1. double  dRatHigh = 0.79;   

  2. double  dThrHigh;   

  3. double  dThrLow;   

  4. double  dRatLow = 0.5;   

  5. nHighCount = (int)(dRatHigh * nEdgeNum + 0.5);   

  6. j=1;   

  7. nEdgeNum = nHist[1];   

  8. while((j<(nMaxMag-1)) && (nEdgeNum < nHighCount))   

  9. {   

  10.        j++;   

  11.        nEdgeNum += nHist[j];   

  12. }   

  13. dThrHigh = j;                                   //高閾值    

  14. dThrLow = (int)((dThrHigh) * dRatLow + 0.5);    //低閾值  

      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(gè)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(yàn)數(shù)據(jù)的來(lái)的,，至于更好地參數(shù)選取方法,，作者后面會(huì)另文研究。
      5）進(jìn)行邊緣檢測(cè)






    

  1. SIZE sz;   

  2. sz.cx = nWidth;   

  3. sz.cy = nHeight;   

  4. for(i=0; i<nHeight; i++)   

  5. {   

  6.     for(j=0; j<nWidth; j++)   

  7.     {   

  8.         if((N[i*nWidth+j]==128) && (M[i*nWidth+j] >= dThrHigh))   

  9.         {   

  10.             N[i*nWidth+j] = 255;   

  11.             TraceEdge(i, j, dThrLow, N, M, sz);   

  12.         }   

  13.     }   

  14. }  



        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(diǎn)中按照高閾值尋找邊緣,，并以所找到的點(diǎn)為中心尋找鄰域內(nèi)滿足低閾值的點(diǎn)，從而形成一個(gè)閉合的輪廓,。然后對(duì)于不滿足條件的點(diǎn),，可用如下代碼直接刪除掉,。






    

  1. //將還沒(méi)有設(shè)置為邊界的點(diǎn)設(shè)置為非邊界點(diǎn)    

  2. for(i=0; i<nHeight; i++)   

  3. {   

  4.     for(j=0; j<nWidth; j++)   

  5.     {   

  6.         if(N[i*nWidth+j] != 255)   

  7.         {   

  8.             N[i*nWidth+j]  = 0 ;   // 設(shè)置為非邊界點(diǎn)    

  9.         }   

  10.     }   

  11. }  


       其中TraceEdge函數(shù)為一個(gè)嵌套函數(shù)，用于在每個(gè)像素點(diǎn)的鄰域內(nèi)尋找滿足條件的點(diǎn),。其實(shí)現(xiàn)代碼如下：






    

  1. void TraceEdge(int y, int x, int nThrLow, LPBYTE pResult, int *pMag, SIZE sz)   

  2. {   

  3.     //對(duì)8鄰域像素進(jìn)行查詢    

  4.     int xNum[8] = {1,1,0,-1,-1,-1,0,1};   

  5.     int yNum[8] = {0,1,1,1,0,-1,-1,-1};   

  6.         LONG yy,xx,k;   

  7.     for(k=0;k<8;k++)   

  8.     {   

  9.         yy = y+yNum[k];   

  10.         xx = x+xNum[k];   

  11.         if(pResult[yy*sz.cx+xx]==128 && pMag[yy*sz.cx+xx]>=nThrLow )   

  12.         {   

  13.             //該點(diǎn)設(shè)為邊界點(diǎn)    

  14.             pResult[yy*sz.cx+xx] = 255;   

  15.             //以該點(diǎn)為中心再進(jìn)行跟蹤    

  16.             TraceEdge(yy,xx,nThrLow,pResult,pMag,sz);   

  17.         }   

  18.     }   

  19. }  

以上就從原理上實(shí)現(xiàn)了整個(gè)Canny算法,。其檢測(cè)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(yàn)證本人對(duì)算法的理解,，暫時(shí)沒(méi)有考慮到代碼的執(zhí)行效率的問(wèn)題。





圖4 邊緣檢測(cè)結(jié)果


4,、擴(kuò)展


首先看一下OpenCV中cvCanny函數(shù)對(duì)該圖像的處理結(jié)果,，如圖5所示。





圖5 OpenCV中的Canny邊緣檢測(cè)結(jié)果




     對(duì)比圖4和圖5可以發(fā)現(xiàn),，作者自己實(shí)現(xiàn)的邊緣檢測(cè)效果沒(méi)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(guò)對(duì)整個(gè)算法的來(lái)回檢查,，初步推斷主要的問(wèn)題可能在于在進(jìn)行灰度矩陣梯度幅值計(jì)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(gè)閾值的選取方法,。關(guān)于這兩個(gè)方面的改進(jìn)研究,，后文闡述。


5,、總結(jié)




         本文是過(guò)去一段時(shí)間,，對(duì)圖像邊緣檢測(cè)方法學(xué)習(xí)的總結(jié)。主要闡述了Canny算法的工作原理,，實(shí)現(xiàn)過(guò)程,，在此基礎(chǔ)上基于VC6.0實(shí)現(xiàn)了該算法，并給出了效果圖,。最后,，通過(guò)對(duì)比發(fā)現(xiàn)本文的實(shí)現(xiàn)方法雖然能夠?qū)崿F(xiàn)邊緣檢測(cè)，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(gè)方面進(jìn)行改進(jìn),。

                                    		
                                

                            
                        

                    




                

                

                    
                    
                        

                            
                                
    
                                		
                        
    
                        
                
    
                
    
                
                
                
    
                
    


                

                
    本站是提供個(gè)人知識(shí)管理的網(wǎng)絡(luò)存儲(chǔ)空間,，所有內(nèi)容均由用戶發(fā)布，不代表本站觀點(diǎn),。請(qǐng)注意甄別內(nèi)容中的聯(lián)系方式,、誘導(dǎo)購(gòu)買等信息，謹(jǐn)防詐騙,。如發(fā)現(xiàn)有害或侵權(quán)內(nèi)容,，請(qǐng)點(diǎn)擊一鍵舉報(bào)。
    
                
                

                
    
                    轉(zhuǎn)藏
                    
                    
                    
                    
                    
                    
                        分享
                        
                        
                    
                    獻(xiàn)花（0）
                            
                
    
                
                
                
    
                    
    
                        
                        
                    
    
                
    

            
    

            
    

            
    
                
                
                
    
                
    
                    
    
                        
    0條評(píng)論
    
                        
                        
                        
    
                            
                            
    
                                發(fā)表
                            
    
                        
    
                        
                    
    
                    
                    
    請(qǐng)遵守用戶 評(píng)論公約
    
                    
                    
      
                    
    
                    
    
                    
    
                    
                
    
               
                
    
                    
    
                        類似文章
                        更多