canny边缘检测及matlab实现

合集下载
相关主题
  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

北京工业大学

研究生课程考试答题纸

课程类别:学位课选修课

研究生学号:

研究生姓名:

学生类别:博士硕士

工程硕士进修生

考试时间:年月日

一、实验目的:

熟悉边缘检测原理,并运用matlab软件实现图像的canny边缘检测,体会canny 边缘检测的优缺点。

二、实验内容:

编写matlab程序,实现对lena图像的边缘检测,输出程序运行结果。

三、实验原理或步骤:

首先回顾一下边缘检测的一般步骤:

边缘检测算法一般包含如下四个步骤:

1.滤波(去噪)。

2.增强(一般是通过计算梯度幅值)。

3.检测(在图像中有许多点的梯度幅值会比较大,而这些点并不都是边缘,所以应该用某种方法来确定边缘点,比如最简单的边缘检测判据:梯度幅值阈值)。

4.定位(有的应用场合要求确定边缘位置,可以在子像素水平上来估计,指出边缘的位置和方向)

Canny边缘检测的算法步骤:

1.用高斯滤波器平滑图像(不同尺度的Canny检测子由高斯的不同标准差来表示)用一阶偏导的有限差分来计算梯度的幅值和方向。

2.对高斯平滑后的图像进行sobel边缘检测。这里需要求横的竖的还有联合的,所以一共三个需要sobel边缘检测图像。

3.对联合的sobel检测图像进行非极大值抑制(Non-Maxima Suppression, NMS)

4.用双阈值算法检测和连接边缘,并进行滞后阈值处理。

其中非极大值抑制细化了幅值图像中的屋脊带,只保留幅值局部变化最大的点。

双阈值算法:用两个阈值得到两个阈值图像,然后把高阈值的图像中的边缘连接成轮廓,连接时到达轮廓的端点时,在低阈值图像上找可以连接的边缘。不断收集,直到所有的间隙连接起来为止。

四、运行结果和分析

每步运行效果:

Figure1原图:

Figure2 高斯模糊后:

Figure3 sobel边缘检测后:

Figure4 非极大抑制后:

Figure5 上阈值120,下阈值100检测结果:

Canny算子的方向性使得它的边缘检测和定位优于其他算子,具有更好的边缘强度估计,能产生梯度方向和强度两个信息。

五、算法程序

Main.m

clear all;

close all;

clc;

img=imread('lena.bmp');

imshow(img);

[m n]=size(img);

img=double(img);

%%canny边缘检测的前两步相对不复杂,所以我就直接调用系统函数了

%%高斯滤波

w=fspecial('gaussian',[5 5]);

img=imfilter(img,w,'replicate');

figure;

imshow(uint8(img))

%%sobel边缘检测

w=fspecial('sobel');

img_w=imfilter(img,w,'replicate'); %求横边缘

w=w';

img_h=imfilter(img,w,'replicate'); %求竖边缘

img=sqrt(img_w.^2+img_h.^2); %注意这里不是简单的求平均,而是平方和在开方。figure;

imshow(uint8(img))

%%下面是非极大抑制

new_edge=zeros(m,n);

for i=2:m-1

for j=2:n-1

Mx=img_w(i,j);

My=img_h(i,j);

if My~=0

o=atan(Mx/My); %边缘的法线弧度

elseif My==0 && Mx>0

o=pi/2;

else

o=-pi/2;

end

%Mx处用My和img进行插值

adds=get_coords(o); %边缘像素法线一侧求得的两点坐标,插值需要

M1=My*img(i+adds(2),j+adds(1))+(Mx-My)*img(i+adds(4),j+adds(3)); %插值后得到的像素,用此像素和当前像素比较

adds=get_coords(o+pi); %边缘法线另一侧求得的两点坐标,插值需要

M2=My*img(i+adds(2),j+adds(1))+(Mx-My)*img(i+adds(4),j+adds(3)); %另一侧插值得到的像素,同样和当前像素比较

isbigger=(Mx*img(i,j)>M1)*(Mx*img(i,j)>=M2)+(Mx*img(i,j)

if isbigger

new_edge(i,j)=img(i,j);

end

end

end

figure;

imshow(uint8(new_edge))

%%下面是滞后阈值处理

up=120; %上阈值

low=100; %下阈值

set(0,'RecursionLimit',10000); %设置最大递归深度

for i=1:m

for j=1:n

if new_edge(i,j)>up &&new_edge(i,j)~=255 %判断上阈值

new_edge(i,j)=255;

new_edge=connect(new_edge,i,j,low);

end

end

end

figure;

imshow(new_edge==255)

相关文档
最新文档