CN111833366A - 一种基于Canny算法的边缘检测方法 - Google Patents
一种基于Canny算法的边缘检测方法 Download PDFInfo
- Publication number
- CN111833366A CN111833366A CN202010492863.0A CN202010492863A CN111833366A CN 111833366 A CN111833366 A CN 111833366A CN 202010492863 A CN202010492863 A CN 202010492863A CN 111833366 A CN111833366 A CN 111833366A
- Authority
- CN
- China
- Prior art keywords
- image
- pixels
- gray
- algorithm
- processed
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000003708 edge detection Methods 0.000 title claims abstract description 29
- 238000001914 filtration Methods 0.000 claims abstract description 46
- 238000012545 processing Methods 0.000 claims abstract description 32
- 230000011218 segmentation Effects 0.000 claims abstract description 26
- 230000009467 reduction Effects 0.000 claims abstract description 15
- 230000001629 suppression Effects 0.000 claims abstract description 7
- 239000006002 Pepper Substances 0.000 claims description 24
- 235000002566 Capsicum Nutrition 0.000 claims description 20
- 241000722363 Piper Species 0.000 claims description 20
- 235000016761 Piper aduncum Nutrition 0.000 claims description 20
- 235000017804 Piper guineense Nutrition 0.000 claims description 20
- 235000008184 Piper nigrum Nutrition 0.000 claims description 20
- 150000003839 salts Chemical class 0.000 claims description 20
- 230000003044 adaptive effect Effects 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000000926 separation method Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 10
- 230000000694 effects Effects 0.000 description 10
- 241000209094 Oryza Species 0.000 description 6
- 235000007164 Oryza sativa Nutrition 0.000 description 6
- 235000009566 rice Nutrition 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000892681 Erigenia bulbosa Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种基于Canny算法的边缘检测方法,通过将原始图像灰度化后转变为灰度图像;对灰度图像进行降噪处理得到平滑图像;计算平滑图像的梯度幅值和梯度方向;对平滑图像的梯度幅值进行非极大值抑制得到初始边缘图像;使用最大类间方差法确定初始边缘图像的阈值;再利用局部自适应阈值分割算法等步骤检测初始边缘图像,并得到最终边缘图像。通过改进自适应中值滤波对图像降噪,并利用局部自适应阈值分割算法对图像边缘进行检测,本发明中的算法对噪声的去除效果更好,运行速度更快,得到的图像更加清晰。本发明适用于图像检测领域。
Description
技术领域
本发明涉及数字图像处理领域,具体涉及一种基于Canny算法的边缘检测方法。
背景技术
近年来,随着科技的不断发展,计算机视觉在人们的生活、工业、军事、航天领域、农业上扮演着越来越重要的角色。图像处理技术也处在不断发展日趋完善当中。而边缘检测在图像处理学习中占有着举足轻重的地位。边缘是图像中属性区域的分界,也是灰度发生突变的区域,还是图像最基本的特征。我们在边缘检测中,一般采用灰度图像因为灰度图像的处理结果比较直观。目前,关于边缘检测算法有很多,传统的边缘检测算法如Sobel(可分为检测水平方向和垂直方向的两个算子),Canny,Roberts(利用局部差分的方法寻找的算子),prewitt(边缘细化的算子),Log等等,但是大多数算子都有一定的局限性。Roberts在边缘定位精确度高的同时也易丢失大量边缘信息,不利于边缘提取,并且该算子没有对输入图像进行平滑处理,易受噪声影响。Sobel算子对比其他的算法边缘定位精度不够,Prewitt算子易检测出伪边缘,这两者对灰度渐变低噪声的图像有较好的检测效果,但是对于混合多复杂噪声的图像,处理效果就不理想了。而Log算法对噪声比较敏感。相比较而言,Canny算法由于其优良的边缘检测特性(高准确度和高信噪比),得到了广泛应用。
但是,经典的Canny算法存在容易受噪声干扰且双阈值选取适应性不强的缺点,国内外的学者就此提出了很多改进方法。例如,段军,张博等人提出了一种采用统计滤波去噪和基于灰度的迭代法计算阈值的边缘检测算法。首先统计滤波并使用均值和方差去噪,避免出现如同高斯函数受噪声干扰的问题,保证图像边缘完整性;其次,使用灰度进行迭代计算确定阈值,改进了传统算法中人工确定的不足,使阈值更加准确,减少伪边缘和信息丢失的情况。例如,徐衍鲁,马燕等人提出了一种改进算法。首先转换图像到HSV颜色空间,提取其中的V分量特征,引入色彩信息,然后采用双边滤波代替高斯滤波来除噪。最后求取图像的横竖边缘进行后续处理。李凌提出了改进的Canny边缘检测算法,该算法采用复合形态滤波取代高斯滤波,降低噪声的影响,保持边缘强度与细节;采用加入了45°和135°方向模板的Sobel算子计算梯度幅值,提高边缘定位效果;根据图像的灰度均值和方差选取阈值,边缘检测更连续。例如,刘素行在Canny边缘检测算法基础上,采用自适应中值滤波进行去噪处理,借鉴Sobel算子的思想,增加45°方向模板和135°方向模板,求有限差分来计算梯度幅值方向;并利用非极大值抑制对图像进行细化,采用Otsu算法计算经梯度幅值运算得到图像的高低阈值。
发明内容
本发明的目的在于提出一种基于Canny算法的边缘检测方法,以解决现有技术中所存在的一个或多个技术问题,至少提供一种有益的选择或创造条件。
本发明提出了一种基于Canny的算法构架,首先结合改进自适应中值滤波对图像降噪,从而在保留图像细节的同时较好地滤除了椒盐噪声干扰。而后利用局部自适应阈值分割算法对图像边缘进行检测,该改进算法经实验证实,对噪声的去除更好运行速度更快,得到的图像更加清晰。
为了实现上述目的,根据本发明的一方面,本发明提出了一种基于Canny算法的边缘检测方法,包括以下步骤:
步骤1,将原始图像灰度化后转变为灰度图像;
步骤2,对灰度图像进行降噪处理得到平滑图像;
步骤3,计算平滑图像的梯度幅值和梯度方向;
步骤4,对平滑图像的梯度幅值进行非极大值抑制得到初始边缘图像;
步骤5,通过最大类间方差法确定初始边缘图像的阈值;
步骤6,利用阈值通过局部自适应阈值分割算法检测初始边缘图像,并得到最终边缘图像。
具体的,在步骤2中,对灰度图像进行降噪处理得到平滑图像的方法的具体步骤如下:
步骤2.1:设置一个初始的滤波半径为1的滤波窗口,灰度图像大小为M×N,M和N为灰度图像的像素矩阵的长和宽,将滤波窗口中的像素作为待处理像素;通过滤波窗口对灰度图像进行降噪处理;
步骤2.2:计算滤波窗口中的待处理像素的灰度值:
如果所有待处理像素的灰度值在(0,255)范围内,则判断所有待处理像素都不是椒盐噪声并保持原值输出,移动滤波窗口到下一个位置,重复步骤2.2;
如果所有待处理像素的灰度值都等于0或者所有待处理像素的灰度值都等于255,则判断所有待处理像素都是椒盐噪声并转到步骤2.3;
如果不是所有待处理像素的灰度值都在(0,255)范围内,则去掉灰度值等于0与灰度值等于255的待处理像素,计算滤波窗口中其余待处理像素的灰度中值,输出灰度中值,同时将滤波窗口的滤波半径增加1并转到步骤2.3,所述其余待处理像素为待处理像素除去椒盐噪声以外的所有像素;
步骤2.3:使用滤波窗口重复步骤2.2,当遍历完全部灰度图像的像素时得到平滑图像。
具体的,在步骤4中,对平滑图像的梯度幅值进行非极大值抑制得到初始边缘图像的方法的步骤为:
步骤4.1:检测平滑图像中每一个像素点的梯度幅值和梯度方向;
步骤4.2:保留相同梯度方向具有最大梯度幅值的像素点的梯度幅值,并将相同梯度方向的其它像素点的梯度幅值置0,最后得到初始边缘图像。
具体的,在步骤6中,利用局部自适应阈值分割算法检测初始边缘图像,并得到最终边缘图像的方法为:
步骤6.1:设定步骤5中得到的初始边缘图像的阈值为T;
步骤6.2:设置一个局部自适应阈值分割算法的移动小窗口;
步骤6.3:计算局部自适应阈值分割算法的移动小窗口中所有像素点的像素值之和,比较像素值之和与初始边缘图像的阈值的大小:
如果像素之和大于或等于初始边缘图像的阈值,则设置局部自适应阈值分割算法的移动小窗口中间的像素点的像素值为1;
如果像素之和小于初始边缘图像的阈值,则设置局部自适应阈值分割算法的移动小窗口中间的像素点的像素值为0;
步骤6.4:使用局部自适应阈值分隔算法的移动小窗口遍历初始边缘图像,得到最终边缘图像。
具体的,在步骤2中,采用梯度幅值算子Hx和梯度方向算子Hy计算平滑图像的梯度幅值和梯度方向,所述梯度幅值算子Hx为式(1)、梯度方向算子Hx为式(2):
进一步的,所述滤波窗口的半径最小值为1,最大值为M和N中的较小值,且滤波窗口的半径为整数。
本发明的有益效果为:本发明提供了一种基于Canny算法的边缘检测方法,在保护图像细节的同时对不同密度的椒盐噪声图像均有较好的去噪效果,经实验证实,该改进算法对噪声的去除效果更好,运行速度更快,得到的图像更加清晰。
附图说明
通过对结合附图所示出的实施方式进行详细说明,本发明的上述以及其他特征将更加明显,本发明附图中相同的参考标号表示相同或相似的元素,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图,在附图中:
图1为本实施例中的基于Canny算法的边缘检测方法的流程图;
图2为本实施例中的不同算法在10%椒盐噪声的除噪对比图;
图3为本实施例中的不同算法在30%椒盐噪声的除噪对比图;
图4为本实施例中大米图的不同的边缘检测算法对比图;
图5为本实施例中飞机图的不同的边缘检测算法对比图;
图6为本实施例中不同算法在30%椒盐噪声下的边缘检测对比图;
图7为本实施例中不同算法在50%椒盐噪声下的边缘检测对比图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述,以充分地理解本发明的目的、方案和效果。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
为了实现上述目的,根据本发明的一方面,本发明提出了一种基于Canny算法的边缘检测方法,图1为本实施例中的基于Canny算法的边缘检测方法的流程图,如图1所示,该方法包括以下步骤:
步骤1,将原始图像灰度化后转变为灰度图像;
步骤2,对灰度图像进行降噪处理得到平滑图像;
步骤3,计算平滑图像的梯度幅值和梯度方向;
步骤4,对平滑图像的梯度幅值进行非极大值抑制得到初始边缘图像;
步骤5,通过最大类间方差法确定初始边缘图像的阈值;
步骤6,利用阈值通过局部自适应阈值分割算法检测初始边缘图像,并得到最终边缘图像。
具体的,在步骤2中,对灰度图像进行降噪处理得到平滑图像的方法的具体步骤如下:
步骤2.1:设置一个初始的滤波半径为1的滤波窗口,灰度图像大小为M×N,M和N为灰度图像的像素矩阵的长和宽,将滤波窗口中的像素作为待处理像素;通过滤波窗口对灰度图像进行降噪处理;
步骤2.2:计算滤波窗口中的待处理像素的灰度值:
如果所有待处理像素的灰度值在(0,255)范围内,则判断所有待处理像素都不是椒盐噪声并保持原值输出,移动滤波窗口到下一个位置,重复步骤2.2;
如果所有待处理像素的灰度值都等于0或者所有待处理像素的灰度值都等于255,则判断所有待处理像素都是椒盐噪声并转到步骤2.3;
如果不是所有待处理像素的灰度值都在(0,255)范围内,则去掉灰度值等于0与灰度值等于255的待处理像素,计算滤波窗口中其余待处理像素的灰度中值,输出灰度中值,同时将滤波窗口的滤波半径增加1并转到步骤2.3,所述其余待处理像素为待处理像素除去椒盐噪声以外的所有像素;
步骤2.3:使用滤波窗口重复步骤2.2,当遍历完全部灰度图像的像素时得到平滑图像。
具体的,在步骤4中,对平滑图像的梯度幅值进行非极大值抑制得到初始边缘图像的方法的步骤为:
步骤4.1:检测平滑图像中每一个像素点的梯度幅值和梯度方向;
步骤4.2:保留相同梯度方向具有最大梯度幅值的像素点的梯度幅值,并将相同梯度方向的其它像素点的梯度幅值置0,最后得到初始边缘图像。
具体的,在步骤6中,利用局部自适应阈值分割算法检测初始边缘图像,并得到最终边缘图像的方法为:
步骤6.1:设定步骤5中得到的初始边缘图像的阈值为T;
步骤6.2:设置一个局部自适应阈值分割算法的移动小窗口;
(局部自适应阈值分割算法参见:Yanowitz S D,Bruckstein A M.A new methodfor image segmentation[J].Computer Vision Graphics and Image Processing,1989,46(1):82-95.)
此外,移动小窗口也叫做滑动窗口。
步骤6.3:计算局部自适应阈值分割算法的移动小窗口中所有像素点的像素值之和,比较像素值之和与初始边缘图像的阈值的大小:
如果像素之和大于或等于初始边缘图像的阈值,则设置局部自适应阈值分割算法的移动小窗口中间的像素点的像素值为1;
如果像素之和小于初始边缘图像的阈值,则设置局部自适应阈值分割算法的移动小窗口中间的像素点的像素值为0;
步骤6.4:使用局部自适应阈值分隔算法的移动小窗口遍历初始边缘图像,得到最终边缘图像。其中,阈值T=1时表示图像的二值图中的目标像素阈值T=0时表示图像的二值图中的背景像素。(遍历整个图像的像素点,得到类间方差的最大值为阈值T。)
具体的,在步骤2中,采用梯度幅值算子Hx和梯度方向算子Hy计算平滑图像的梯度幅值和梯度方向,所述梯度幅值算子Hx为式(1)、梯度方向算子Hx为式(2):
进一步的,所述滤波窗口的半径最小值为1,最大值为M和N中的较小值,且滤波窗口的半径为整数。
实验1,在步骤2中采用改进自适应中值滤波算法对灰度图像进行降噪处理的结果与采用其他算法进行降噪处理的结果对比如下:
采用64位Windows 10操作系统,Matlab R2019a仿真软件的实验环境来验证本发明中改进算法的去噪性能,选用添加密度为10%和30%的椒盐噪声图像作为除噪对比,实验结果具体图2和图3所示。
在图2中,图2中的(a)为灰度图,图2中的(b)为10%椒盐噪声图,图2中的(c)为高斯滤波检测图,图2中的(d)为中值滤波检测图,图2中的(e)为自适应中值滤波检测图,图2中的(f)为本实施例改进算法图。
在图3中,图3中的(a)为灰度图,图3中的(b)为30%椒盐噪声图,图3中的(c)为高斯滤波检测图,图3中的(d)为中值滤波检测图,图3中的(e)为自适应中值滤波检测图,图3中的(f)为本实施例改进算法图。
除噪实验对比实验数据:
在图像处理中,一般用均方根误差(Mean Square Error,MSE)和峰值信噪比(PeakSignal-to-Noise Ratio,PSNR)这两项标准评价滤波算法的降噪性能,因此本实施例也用这两项标准,其公式如下:
式中,m×n表示图像大小,I′(x,y)表示原无噪声图像,IQ(x,y)表示处理降噪后的图像,R表示图像的灰度量级,lg为对数函数,是以10为底的对数,x,y表示像素点在图像的像素矩阵中的横纵坐标。
表一和表二是四种滤波算法对不同噪声密度图像处理后的MSE和PSNR的详细数据:
表一 不同噪声密度图像处理后的MSE对比
表二 不同噪声密度图像处理后的PSNR对比
如表一、表二中的实验数据所示,改进的自适应中值滤波算法图中MSE的值很小且PSNR值很大,说明本实施例中的改进的自适应中值滤波算法不但提高了算法降噪的性能,还很好地保护了图像的边缘细节。
实验2,在步骤6中利用局部自适应阈值分割算法得到的最终边缘图像与其他算法得到的最终边缘图像如图4和图5所示。
在图4中,图4中的(a)为大米图的原图,图4中的(b)为canny算法处理图,图4中的(c)为ostu算法处理图,图4中的(d)为局部自适应阈值分割算法处理图。
在图5中,图5中的(a)为飞机图的原图,图5中的(b)为canny算法处理图,图5中的(c)为ostu算法图,5中的(d)为局部自适应阈值分割算法处理图。
由如图4和图5可知,经典Canny算法的双阈值选取使得背景中的一些边缘被当做强边缘,对需要提取的目标产生了一定的影响;而Ostu算法的阈值选取较本实施例所提的局部自适应分割算法而言,目标中的边缘处理的并不好,其图像的边缘细节未得到很好的保护,导致了图像中的目标轮廓不连续甚至边缘细节信息丢失;而本实施例提出的局部自适应分割算法既保留了边缘细节,又有较好的适用性。
实验3,采用不同算法对密度为30%椒盐噪声大米图和密度为50%椒盐噪声大米图进行边缘检测,实验结果如图6和图7所示。
如图6所示,图6中的(a)为大米图的原图,图6中的(b)为30%椒盐噪声图,图6中的(c)为canny算法检测图,图6中的(d)为中值滤波算法处理图,图6中的(e)为自适应中值滤波处理图,图6中的(f)为本实施例算法处理图。
如图7所示,图7中的(a)大米图的原图,图7中的(b)50%椒盐噪声图,图7中的(c)canny算法检测图,图7中的(d)中值滤波算法处理图,图7中的(e)自适应中值滤波处理图,图7中的(f)本实施例算法处理图。
由图6和图7可知,Canny算法在含有30%的椒盐噪声密度情况下基本失效;中值滤波算法检测的边缘效果优于Canny算法,但是当椒盐噪声密度为50%的情况时,其除去噪声的效果很差;自适应中值滤波算法虽然在一定程度上克服了椒盐噪声的干扰,但是其去除噪声的效果和其边缘细节检测效果仍然不如本实施例中的算法。
尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述,但其并非旨在局限于任何这些细节或实施例或任何特殊实施例,而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释,从而有效地涵盖本发明的预定范围。此外,上文以发明人可预见的实施例对本发明进行描述,其目的是为了提供有用的描述,而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。
Claims (6)
1.一种基于Canny算法的边缘检测方法,其特征在于,所述方法包括以下步骤:
步骤1,将原始图像灰度化后转变为灰度图像;
步骤2,对灰度图像进行降噪处理得到平滑图像;
步骤3,计算平滑图像的梯度幅值和梯度方向;
步骤4,对平滑图像的梯度幅值进行非极大值抑制得到初始边缘图像;
步骤5,通过最大类间方差法确定初始边缘图像的阈值;
步骤6,利用阈值通过局部自适应阈值分割算法检测初始边缘图像,并得到最终边缘图像。
2.根据权利要求1所述的一种基于Canny算法的边缘检测方法,其特征在于,在步骤2中,对灰度图像进行降噪处理得到平滑图像的方法的具体步骤如下:
步骤2.1:设置一个初始的滤波半径为1的滤波窗口,灰度图像大小为M×N,M和N为灰度图像的像素矩阵的长和宽,将滤波窗口中的像素作为待处理像素;通过滤波窗口对灰度图像进行降噪处理;
步骤2.2:计算滤波窗口中的待处理像素的灰度值:
如果所有待处理像素的灰度值在(0,255)范围内,则判断所有待处理像素都不是椒盐噪声并保持原值输出,移动滤波窗口到下一个位置,重复步骤2.2;
如果所有待处理像素的灰度值都等于0或者所有待处理像素的灰度值都等于255,则判断所有待处理像素都是椒盐噪声并转到步骤2.3;
如果不是所有待处理像素的灰度值都在(0,255)范围内,则去掉灰度值等于0与灰度值等于255的待处理像素,计算滤波窗口中其余待处理像素的灰度中值,输出灰度中值,同时将滤波窗口的滤波半径增加1并转到步骤2.3,所述其余待处理像素为待处理像素除去椒盐噪声以外的所有像素;
步骤2.3:使用滤波窗口重复步骤2.2,当遍历完全部灰度图像的像素时得到平滑图像。
3.根据权利要求1所述的一种基于Canny算法的边缘检测方法,其特征在于,在步骤4中,对平滑图像的梯度幅值进行非极大值抑制得到初始边缘图像的方法的步骤为:
步骤4.1:检测平滑图像中每一个像素点的梯度幅值和梯度方向;
步骤4.2:保留相同梯度方向具有最大梯度幅值的像素点的梯度幅值,并将相同梯度方向的其它像素点的梯度幅值置0,最后得到初始边缘图像。
4.根据权利要求1所述的一种基于Canny算法的边缘检测方法,其特征在于,在步骤6中,利用阈值通过局部自适应阈值分割算法检测初始边缘图像,并得到最终边缘图像的方法为:
步骤6.1:设定步骤5中得到的初始边缘图像的阈值为T;
步骤6.2:设置一个局部自适应阈值分割算法的移动小窗口;
步骤6.3:计算局部自适应阈值分割算法的移动小窗口中所有像素点的像素值之和,比较像素值之和与初始边缘图像的阈值的大小:
如果像素之和大于或等于初始边缘图像的阈值,则设置局部自适应阈值分割算法的移动小窗口中间的像素点的像素值为1;
如果像素之和小于初始边缘图像的阈值,则设置局部自适应阈值分割算法的移动小窗口中间的像素点的像素值为0;
步骤6.4:使用局部自适应阈值分隔算法的移动小窗口遍历初始边缘图像,得到最终边缘图像。
6.根据权利要求2所述的一种基于Canny算法的边缘检测方法,其特征在于,所述滤波窗口的半径最小值为1,最大值为M和N中的较小值,且滤波窗口的半径为整数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010492863.0A CN111833366A (zh) | 2020-06-03 | 2020-06-03 | 一种基于Canny算法的边缘检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010492863.0A CN111833366A (zh) | 2020-06-03 | 2020-06-03 | 一种基于Canny算法的边缘检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111833366A true CN111833366A (zh) | 2020-10-27 |
Family
ID=72897528
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010492863.0A Pending CN111833366A (zh) | 2020-06-03 | 2020-06-03 | 一种基于Canny算法的边缘检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111833366A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112288726A (zh) * | 2020-10-30 | 2021-01-29 | 西安科技大学 | 一种井下带式输送机带面异物检测方法 |
CN112308873A (zh) * | 2020-11-09 | 2021-02-02 | 西安工程大学 | 多尺度Gabor小波PCA融合图像边缘检测方法 |
CN112435235A (zh) * | 2020-11-23 | 2021-03-02 | 西安理工大学 | 一种基于图像分析的籽棉含杂率检测方法 |
CN112508795A (zh) * | 2020-11-26 | 2021-03-16 | 珠海格力电器股份有限公司 | 图像轮廓检测方法和装置 |
CN112541894A (zh) * | 2020-12-11 | 2021-03-23 | 无锡雷德环保设备有限公司 | 一种产品形变检测方法 |
CN112686911A (zh) * | 2020-12-30 | 2021-04-20 | 北京爱奇艺科技有限公司 | 一种控件区域生成方法、装置、电子设备及存储介质 |
CN112819739A (zh) * | 2021-01-28 | 2021-05-18 | 浙江祺跃科技有限公司 | 一种扫描电子显微镜图像处理方法和系统 |
CN112967304A (zh) * | 2021-03-24 | 2021-06-15 | 内蒙古师范大学 | 多边窗协同滤波的边缘检测算法 |
CN113034531A (zh) * | 2021-04-02 | 2021-06-25 | 广州绿怡信息科技有限公司 | 设备摆放检测方法及装置 |
CN113989651A (zh) * | 2021-11-29 | 2022-01-28 | 江苏科技大学 | 一种夜视环境下目标果实的识别方法 |
CN115661464A (zh) * | 2022-12-09 | 2023-01-31 | 季华实验室 | 图像分割方法、装置、设备及计算机存储介质 |
CN115890915A (zh) * | 2023-01-06 | 2023-04-04 | 山东天意装配式建筑装备研究院有限公司 | 一种混凝土搅拌过程图像识别方法 |
CN116703958A (zh) * | 2023-08-03 | 2023-09-05 | 山东仕达思医疗科技有限公司 | 显微图像的边缘轮廓检测方法、系统、设备和存储介质 |
CN117557765A (zh) * | 2023-11-15 | 2024-02-13 | 兰州交通大学 | 一种基于APM-YOLOv7的小目标水漂垃圾检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521836A (zh) * | 2011-12-15 | 2012-06-27 | 江苏大学 | 一种基于特定类灰度图像的边缘检测方法 |
CN104463097A (zh) * | 2014-10-31 | 2015-03-25 | 武汉工程大学 | 基于局部自适应阈值分割算法的高压线图像检测方法 |
CN108416740A (zh) * | 2018-01-22 | 2018-08-17 | 大连大学 | 一种消除椒盐噪声的迭代自适应中值滤波算法 |
CN109410230A (zh) * | 2018-09-07 | 2019-03-01 | 南京航空航天大学 | 一种可抗噪声的改进Canny图像边缘检测方法 |
CN110688871A (zh) * | 2019-09-19 | 2020-01-14 | 浙江工业大学 | 一种基于条码识别的边缘检测方法 |
-
2020
- 2020-06-03 CN CN202010492863.0A patent/CN111833366A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521836A (zh) * | 2011-12-15 | 2012-06-27 | 江苏大学 | 一种基于特定类灰度图像的边缘检测方法 |
CN104463097A (zh) * | 2014-10-31 | 2015-03-25 | 武汉工程大学 | 基于局部自适应阈值分割算法的高压线图像检测方法 |
CN108416740A (zh) * | 2018-01-22 | 2018-08-17 | 大连大学 | 一种消除椒盐噪声的迭代自适应中值滤波算法 |
CN109410230A (zh) * | 2018-09-07 | 2019-03-01 | 南京航空航天大学 | 一种可抗噪声的改进Canny图像边缘检测方法 |
CN110688871A (zh) * | 2019-09-19 | 2020-01-14 | 浙江工业大学 | 一种基于条码识别的边缘检测方法 |
Non-Patent Citations (1)
Title |
---|
李沙等: "自适应Canny算法的植物叶片图像边缘检测应用", 《电脑知识与技术》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112288726A (zh) * | 2020-10-30 | 2021-01-29 | 西安科技大学 | 一种井下带式输送机带面异物检测方法 |
CN112288726B (zh) * | 2020-10-30 | 2023-12-29 | 西安智财全技术转移中心有限公司 | 一种井下带式输送机带面异物检测方法 |
CN112308873A (zh) * | 2020-11-09 | 2021-02-02 | 西安工程大学 | 多尺度Gabor小波PCA融合图像边缘检测方法 |
CN112308873B (zh) * | 2020-11-09 | 2024-04-05 | 西安工程大学 | 多尺度Gabor小波PCA融合图像边缘检测方法 |
CN112435235A (zh) * | 2020-11-23 | 2021-03-02 | 西安理工大学 | 一种基于图像分析的籽棉含杂率检测方法 |
CN112435235B (zh) * | 2020-11-23 | 2024-02-02 | 西安理工大学 | 一种基于图像分析的籽棉含杂率检测方法 |
CN112508795A (zh) * | 2020-11-26 | 2021-03-16 | 珠海格力电器股份有限公司 | 图像轮廓检测方法和装置 |
CN112541894B (zh) * | 2020-12-11 | 2023-12-08 | 无锡雷德环保设备有限公司 | 一种产品形变检测方法 |
CN112541894A (zh) * | 2020-12-11 | 2021-03-23 | 无锡雷德环保设备有限公司 | 一种产品形变检测方法 |
CN112686911A (zh) * | 2020-12-30 | 2021-04-20 | 北京爱奇艺科技有限公司 | 一种控件区域生成方法、装置、电子设备及存储介质 |
CN112819739B (zh) * | 2021-01-28 | 2024-03-01 | 浙江祺跃科技有限公司 | 一种扫描电子显微镜图像处理方法和系统 |
CN112819739A (zh) * | 2021-01-28 | 2021-05-18 | 浙江祺跃科技有限公司 | 一种扫描电子显微镜图像处理方法和系统 |
CN112967304A (zh) * | 2021-03-24 | 2021-06-15 | 内蒙古师范大学 | 多边窗协同滤波的边缘检测算法 |
CN113034531A (zh) * | 2021-04-02 | 2021-06-25 | 广州绿怡信息科技有限公司 | 设备摆放检测方法及装置 |
CN113989651A (zh) * | 2021-11-29 | 2022-01-28 | 江苏科技大学 | 一种夜视环境下目标果实的识别方法 |
CN115661464A (zh) * | 2022-12-09 | 2023-01-31 | 季华实验室 | 图像分割方法、装置、设备及计算机存储介质 |
CN115890915A (zh) * | 2023-01-06 | 2023-04-04 | 山东天意装配式建筑装备研究院有限公司 | 一种混凝土搅拌过程图像识别方法 |
CN115890915B (zh) * | 2023-01-06 | 2023-05-09 | 山东天意装配式建筑装备研究院有限公司 | 一种混凝土搅拌过程图像识别方法 |
CN116703958A (zh) * | 2023-08-03 | 2023-09-05 | 山东仕达思医疗科技有限公司 | 显微图像的边缘轮廓检测方法、系统、设备和存储介质 |
CN116703958B (zh) * | 2023-08-03 | 2023-11-17 | 山东仕达思医疗科技有限公司 | 显微图像的边缘轮廓检测方法、系统、设备和存储介质 |
CN117557765A (zh) * | 2023-11-15 | 2024-02-13 | 兰州交通大学 | 一种基于APM-YOLOv7的小目标水漂垃圾检测方法 |
CN117557765B (zh) * | 2023-11-15 | 2024-04-09 | 兰州交通大学 | 一种基于APM-YOLOv7的小目标水漂垃圾检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111833366A (zh) | 一种基于Canny算法的边缘检测方法 | |
CN109410230B (zh) | 一种可抗噪声的改进Canny图像边缘检测方法 | |
Muthukrishnan et al. | Edge detection techniques for image segmentation | |
CN108830832B (zh) | 一种基于机器视觉的塑料筒表面缺陷检测方法 | |
Yu et al. | A new edge detection approach based on image context analysis | |
CN111161222B (zh) | 一种基于视觉显著性的印刷辊筒缺陷检测方法 | |
Horng et al. | Using sorted switching median filter to remove high-density impulse noises | |
CN109377450B (zh) | 一种边缘保护的去噪方法 | |
CN107167810B (zh) | 一种侧扫声纳成像的水下目标快速提取方法 | |
CN114399522A (zh) | 一种基于高低阈值的Canny算子的边缘检测方法 | |
CN111080661A (zh) | 基于图像的直线检测方法、装置以及电子设备 | |
Sridevi et al. | A survey on monochrome image segmentation methods | |
Jiang et al. | Mathematical-morphology-based edge detectors for detection of thin edges in low-contrast regions | |
CN111709964B (zh) | 一种pcba目标边缘检测方法 | |
CN111429372A (zh) | 一种增强低对比度图像边缘检测效果的方法 | |
CN110688871A (zh) | 一种基于条码识别的边缘检测方法 | |
CN112215764A (zh) | 一种基于中值滤波的改进算法的图像处理方法 | |
CN111815660B (zh) | 危化品仓库中货物边缘检测方法、装置及终端设备 | |
CN113205494B (zh) | 基于自适应尺度图像块加权差测量的红外小目标检测方法和系统 | |
Reddy et al. | Canny scale edge detection | |
CN112163606B (zh) | 基于块对比度加权的红外小目标检测的方法 | |
CN117853510A (zh) | 基于双边滤波和自适应阈值的Canny边缘检测方法 | |
CN114693543B (zh) | 图像降噪方法及装置、图像处理芯片、图像采集设备 | |
CN106600662B (zh) | 图像中主线条的绘制方法及装置 | |
CN112070765B (zh) | 一种基于双边滤波结合改进的otsu的布匹检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201027 |