Canny边缘检测图像边缘

Canny 在1986 年提出了基于最优化算法的边缘检测算子［1 16］。针对边缘点的计算，它的成功在于依靠一套完整的定义规则。Canny 算子不是通过简单的梯度运算判定像素是否是边缘点，它结合邻域像素的梯度判定局部极大值，对虚假边缘响应具有最大抑制，并具有边界跟踪能力。为了实现Canny 算子的检测，第一步在定位与检测边缘前必须抑制噪声。采用高斯平滑抑制噪声，但是高斯模板的宽度越大，对噪声检测的敏感越低，同时对边缘定位产生误差就会相应增加。现以5 ×5 大小，标准偏差为1 的高斯模板为例，见表6.1 所示。

表6.1　高斯模板(5 ×5，标准偏差为1)

第一步，通过平滑图像与消除噪声，依据图像的梯度来寻求边缘强度。使用Sobel 算子求取图像的二维空间梯度，见表6.2 和表6.3 所示。

6.2　图像二维空间水平方向Gx

6.3　图像二维空间垂直方向GY

则梯度模值定义如下:

第二步，一旦获得图像水平与垂直方向梯度，进而就可以得到在该点的图像边缘方向。当水平方向的梯度模值等于零，而垂直方向的梯度模值也等于零时，则规定它的边缘方向为0°或者180°。当水平方向的梯度模值等于零，垂直方向的梯度模值不等于零时，则规定它的边缘方向为90°或者270°。(www.xing528.com)

第三步，一旦边缘方向确定，可以将该边缘方向与预设置的图像边缘方向比较，将该方向归类到与它最接近的设置方向。比如将边缘方向分为8 个方向，假如计算的边缘方向与某设置方向最接近，则将它归为该类。8 个边缘方向设置参见图6.1 梯度方向的扇区划分图。

第四步，一旦将边缘方向归类，可以利用局部极大值特性判定边缘点。也就是说，定义非极值点为非边缘点，而极值点为边缘候选点。

第五步，为了保持边缘的连续性，减少伪边缘，使用双门限确定边缘点。将梯度模值大于高阈值的边缘候选点认定为边缘点，而将梯度模值小于低阈值的边缘候选点认定为非边缘点。对于梯度模值介于两者阈值之间的候选点，根据边缘点连通特性，判定真假边缘点。

Canny 算法方框图如图6.2 所示:

图6.1　梯度方向的扇区划分图

图6.2　Canny 边缘检测算法

当运动目标处于复杂环境中时，Canny 算子检测出背景以及运动目标的边缘，由于缺乏目标先验知识，运动目标的判定具有不确定性，因此边缘图像含有非目标成分。