改进的自适应Canny边缘检测算法

第53卷，第6期，电气测量与仪器仪表V01. 53 2016年3月2日，第6S号叫M. Di，2016年改进的自适应Canny边缘检测算法孙志鹏1，邵先合1，王竹1，张元霞2（1. 哈尔滨工业大学信息与电气工程学院，山东威海2“ 200； 2.辽宁丹东仪器工业技术研究总院仪器仪表工业基地研究所，辽宁丹东118000）摘要: 传统的Canny边缘检测容易受到外界因素的影响，例如环境噪声和光照条件的变化，导致检测结果差，需要人工选择参数，灵活性低. 该算法为提高传统算法的检测效果，使其更好地应用于图像识别等领域，通过最大类间方差法获得了最优的图像梯度分割阈值，该算法具有较高的动态确定边缘检测的低阈值参数，可以有效解决缺点f传统算法. 改进后的算法用于家庭仪表轮图像的边缘检测. 与传统算法相比，它不仅消除了噪声干扰，而且保留了完整的图像边缘，并取得了良好的检测效果. 在此基础上，提高了算法的效率. 关键字: Canny边缘检测；非最大抑制类间最大差异；边界跟踪；自适应阈值CLC编号: TM47文档标识码: A文章编号: 1001.1390（2016）06-0017-05改进的自适应Canny边缘检测算法孙志朋91，邵显赫，王竹，张元霞2（．f. 信息与电气哈尔滨工业大学威海工程学院，威海264200，中国Zhi口市. 2．仪器仪表工业基地工业技术研究院，辽宁丹东118000）摘要: 传统的Canny边缘检测容易受到攻击由于外界噪声，光照条件的变化等外部因素，导致检测指标e＆ct较差；由于需要人工参数，该算法的灵活性较低. 为了提高传统算法的检测效果，并更好地应用于图像识别和SO On领域，采用最大聚类间方差法获得最佳图像梯度分割阈值的方法，可以确定图像的低点和低点. 动态地进行边缘检测的阈值参数，有效地解决了传统算法的不足. 改进的算法用于家用仪器对轮图像边缘检测，可以消除噪声，保持完整的图像边缘，在达到良好效果的基础上提高效率. 关键词: Canny边缘检测，非最大抑制，大多数聚类间方差法，边界跟踪，自适应阈值0引言图像边缘是其重要的特征信息之一，表现为灰度不连续，可用于分析图像信息和重要特征意义.

检测结果的质量将直接影响图像信息的获取结果. 灰度图像的边缘特征与图像的局部区域有关，主要表现为不连续性. 因此，灰度图像梯度的研究已成为边缘检测的主要研究方向，并且图像中的边缘特征根据灰度值而急剧变化. 该方法分为阶梯形和屋顶形u型两种. . 在数学上，灰度图像的梯度表示是微分的. 经常出现在各种应用中的边缘检测算子包括一阶微分算子（包括Roberts算子）和二阶微分算子（包括Laplace算子）. 子L2j. 这些算子通过对灰度图像和一定大小的模板进行卷积的方法来完成图像边缘细节的提取. 该方法易于实现并且具有良好的实时优势，但是容易受到噪声干扰并且容易丢失边缘细节. 坎尼边缘检测算法是一种将优化思想应用于图像处理的算法. 与传统的差分运算器相比，它不仅具有较高的信噪比输出，而且具有相对可靠的精度. 因此，它在数字图像处理研究领域中已被广泛使用. 但是，Canny边缘检测也有一些缺点. 在实际的应用过程中，由于数据量为17-10,000平方米53，2016年3月25日6电气测量与仪器电气测量与仪器，kI. 53 3月6日. 25. 2016图像容易受到环境噪声和光照条件的干扰. 传统算法的检测结果中存在很多干扰和虚假边缘，操作人员需要在检测过程中多次设置参数才能达到最佳效果，从而降低了算法“ Sex”的动态适应性.

本文在Canny边缘检测的基础上增加了最大类间方差法，根据图像自身的梯度特征获得全局梯度阈值，可以自适应地确定高低梯度阈值参数. 识别以及其他实际应用和研究取得了比其他算法更好的结果. 1 Canny边缘检测和最大类间方差Canny在优化算法的基础上提出了一种新的边缘检测算法，并在此基础上给出了三个指标MJ来测试边缘检测结果是否是最优检测: （1）信号信噪比标准检测最真实的边缘和最少的虚假边缘，从而获得最大的信噪比输出结果. （2）定位精度标准图像中目标的实际边缘应与检测到的边缘一致. （3）单边缘响应标准最大程度地消除了虚假边缘响应，因此图像中的边缘只能被检测一次. . 尽管传统的Canny算法优于常见的一阶微分算子和二阶微分算子，但是对于高低梯度阈值的选择并没有统一的标准，通常需要由算子根据经验，因为很难直接找到合适的阈值导致识别出的边缘更少或检测到的错误边缘太多，这降低了算法的适应性. 1.1 Canny检测算法的步骤（1）图像平滑: 此处，二维高斯滤波器函数的一阶导数用于对灰度图像执行低通滤波，并在图像的初始阶段抑制部分图像噪声. 处理“ j”；（2）梯度计算: 使用一阶偏导数的有限差分来处理滤波图像的每个像素的邻域，以获得像素梯度编号1的大小和方向；（3）非-最大值抑制: 梯度图像中的类进一步细化边缘区域的屋顶区域以获得梯度幅度局部区域的最大值，并抑制局部区域中的干扰值，从而获得（4）确定高低阈值“ 1: 通过非最大值后，基于带有值抑制的梯度图像，根据先验知识选择阈值参数，确定真实边缘像素的数量占所有像素的比例，在此基础上，确定高阈值K和低阈值K； （5）边缘检测: 采用双阈值方法，从最大值梯度图中检测出最接近真实目标的边缘轮廓，扫描图像，如果像素（i，sha）的梯度幅度M（i√）大于高阈值K，则将像素标识为对于边缘点，如果像素的梯度幅度（i√）小于低阈值K，则将该点标识为非边缘18边缘点，并且将像素幅度介于K和K之间的信号被认为是可疑的. 边缘，然后根据周围像素的连通性判断像素.

1.2用于找到全局阈值的最大类间方差方法通常，图像和背景中的提取目标的灰度特征差异很大. 图像分割是利用这些差异将原始图像更改为仅两个. 灰色值表示目标和背景的二进制图像. 为了自动选择灰度直方图的阈值，基于最小二乘原理，Otsuhuki Otsu提出了一种方法，该方法可以自动确定分割阈值以及图像本身的灰度特性. 在数学上，类间方差用于描述两组数据之间的差异. 当将其用于图像处理时，它用于指示灰色直方图的两个部分之间的差除以某个灰度值. 两个部分之间的灰度差异越大，则两个部分之间的方差越大，即最大的类间方差. 因此，使类间方差最大化的分割意味着与目标和背景有关的像素最大程度地分离，即，目标与背景分离. 使用最大类间方差法获得灰度图像全局阈值的方法简要介绍如下: （1）计算整个图像中所有灰度值的出现次数，以获得灰度图像的灰度直方图图片; （2）使用灰度度值k将直方图分为低灰度和高灰度两个区域，求出生成概率∞i和该区域各部分的平均值，然后求出这两个部分之间的方差，即类的方差或2，具体的方法如公式（1）所示； （3）将k从0更改为L-1（￡为灰度级）以找到最大的类间方差，相应的k为最大的类间方差分割阈值.

or2 = tOo（肛门. 肛门）2 +∞1（肛门1肛门）22∞n∞l（肛门1 a po）2在以下改进的Canny边缘检测中，此方法适用于使用非最大抑制获得梯度直方图的全局阈值，并在此基础上获得边缘检测的高低阈值. 2改进的自适应Canny边缘检测算法2.1自适应线性插值梯度图像的非最大抑制是识别梯度图像中梯度值在局部区域中不是局部最大值的像素，并将其排除为边缘. 在此过程中，需要根据像素的梯度方向（i√）将像素的8个场分为4部分. 其中0.

=肘（i√-1）（4）P4 =船（i +1√-1）（5）重量系数: 重量= P，/ P; （6，）插值: Medl = P1×（1-权重）+ P2×权重（7）Med2 = P3×（1-权重）+ P4×权重（8）其中P.，P是x和y方向上的像素. （2）根据上述方法，发现450 ＜p（i，J）＜900，900 ＜端口（ij）＜-450和-45. <一个（i，_『）

（1）统计候选边缘梯度直方图对非最大抑制后的梯度图像R中标志位不为0的像素的梯度幅度进行计数，并对相同梯度幅度Statistics中包含的像素进行计数以获得直方图与边缘特征有关的梯度分布. （2）获得梯度图像的全局阈值梯度直方图反映了与图像边缘有关的信息，并且图像的边缘部分仅占整个图像的一小部分. 根据刻度盘图像的实际情况，带有信息的图像部分的灰度值较高，与周围的灰度值有很大的不同，因此边缘梯度太大，且由噪声引起的伪边缘梯度干扰或光照很小，因此直方图中的高和低梯度值要尽可能大区分度，可以在一定程度上区分真实边缘和虚假边缘. 构造梯度直方图后，采用最大分割方差法求出梯度图像的全局分割阈值V，对高梯度区域和低梯度区域进行分割. 如果使用单个全局阈值分割梯度幅值图像，则生成的边缘图像将丢失很多详细的边缘区域，因此有必要根据该阈值找到更合理的阈值. （3）构造高低阈值使用高梯度区域和低梯度区域的最佳分割阈值y，将梯度直方图分为高梯度区域和低梯度区域. 根据本文对传统Canny算子的描述，可以得出结论，如果在边缘区域中选择高阈值K，则可能会丢失与目标信息有关的许多重要边缘. 同时，如果在梯度直方图的非边缘区域之外选择它，则可以抑制更多的虚假边缘.

根据在概率统计中应用均值和方差的重要性，可以使用低梯度区域中的均值肛门. 总方差％2计算边缘区域和非边缘区域之间的边界点. 当高阈值K大于肛门时. 当方差是2倍时，可以认为K在非边缘区域之外，因此可以更大程度地抑制伪边缘的出现，因此K2 Hongo + Dian02. 通过实验发现，当低阈值K ＝ m-0r0 2时，自适应Canny边缘检测效果是最理想的. 2.3边界跟踪边界跟踪的步骤[1刚刚描述如下，其中使用函数的递归调用: （1）对于非最大抑制后的候选边缘图像，找到其梯度幅度的像素大于高阈值K，并以该像素为搜索边缘的起点开始检测和跟踪； （2）在当前跟踪像素的8个邻域中找到满足梯度幅度大于高阈值K的条件的像素，将此像素设置为边缘，并将此图像设置为电缆. 检测和跟踪点；如果8个邻域中没有满足上述条件的点，则搜索该8个邻域中满足大于低阈值K的梯度幅度的像素，并以该像素为起点继续执行步骤2； （3）如果不满足步骤2，则认为边缘跟踪已经结束，并返回步骤1以继续跟踪和检测新边缘. 上述边界跟踪检测的流程图如图2所示. 1. 3实验验证与分析为了验证本文方法在边缘检测性能上的有效性，采用传统的Canny算法和改进的自适应Canny边缘检测算法对家用计轮图像进行处理.

由于表盘表面19〜万方数据卷上的玻璃盖的反射和噪声，图2是测量轮的典型图像. 53，第6号电工和仪表V0l·53No·6201fi电气肉类产品，于2015年3月25日'mnsleepmt＆InstrumentationMar·weak. 2016图1边界跟踪流程图图1边界跟踪流程图造成干扰的原因是改进的自适应阈值canny边缘检测，图像中存在许多光斑和噪声干扰. 边缘检测的结果显示在下面的图3-6中. 其中，图3-5为采用不同阈值参数的传统Canny算法获得的检测结果. 图6是本文改进的自适应Canny算法的检测结果: 1 20 1图2原始图像2原始图像图3阈值参数为0.50 3阈值参数为0.50图4阈值参数为0.35 4阈值参数为0.35图5阈值参数的0.20 5Threshold参数为0.20图6自适应Canny边缘检测6自适应Canny边缘检测实验结果表明，在传统算法中，当阈值参数为0.5时，虽然检测结果干扰较小，但许多重要边缘数据却同时丢失时间，第53卷，第6期，2016年3月25日. 测量与仪器电气测量与仪器VoI. 53 3月6日. 25. 2016 edge，例如最后一位数字的边缘和小数位数的边缘；当阈值参数为0.2时，边缘信息完整，但是结果中存在很多噪声干扰. 阈值参数为0.35，效果更好.

改进的自适应Canny边缘检测结果更接近阈值参数0.35，不仅最大程度地消除了噪声，而且保留了完整的边缘信息，在多次修改参数方面优于传统算法在算法效率方面. 不足之处. 将传统算法和改进算法应用于其他图像，获得了相似的实验结果. 4结论本文解决了对光敏感的问题，以及在传统Canny边缘检测算法中需要手动设置参数的问题. 使用最大类间方差法获得梯度图像的全局阈值，并构造高，低阈值参数以完成自适应边缘检测. . 在家用测光轮的图像边缘检测中，本文研究的方法可以根据实际图像的特征动态确定参数，提高检测效率，比传统算法获得更完整的轮廓信息，并抑制干扰. 最大程度. 对于刻度轮图像的边缘检测具有很强的针对性和实用性. 参考文献[1]李亚亚，李志杰，郑海旭，等. 图像边缘检测算法的比较与实现[J]. 计算机工程与设计，2010，（9）: 1971·1975. 李亚亚，李志杰，郑海旭等图像边缘检测算法的比较与实现[J]. 计算机工程与设计，2010，（9）: 1971-1975. [2 1 Ziou D. Tabbone S.边缘检测技术－概述[J]. Raspoznavaniye Ob—razov I Analiz lzobrazhenii的模式识别和图像分析C / C，1998，（8）: 537-559. [3]薛立霞，李涛，王作成. 自适应Canny边缘检测算法[J]. 计算机应用研究，2010，（9）: 3588-3590. 薛丽霞，李涛，王作成. 关键词: 自适应Canny边缘检测算法计算机应用研究，2010，（9）: 3588. 3590. [4]包宝，张德生，吴旭. 关键词: 比例放大，Canny边缘检测增强模式分析与机械，2005，27（9）: 957-961. [5]卢哲，王福利，常玉清. 改进的Canny边缘检测算法[J]. 东北大学学报.

2008，28（12）: 1681-1684. 吕哲，王富利，常玉清. 一种改进的Canny算法边缘检测[J]. 北方工业大学学报，2007，28（12）: 1681-1684. [6]张帆，彭中伟，孟水金. 一种基于自适应阈值的改进Canny边缘检测方法[J]. 计算机应用，2012，（8）: 2296-2298. 张帆，彭中伟，孟水金. 关键词: 自适应阈值，改进的Canny边缘检测计算机应用学报，2012，（8）: 2296-2298. [7]于洪山，王耀南. 改进的Canny边缘检测算法[J]. 计算机工程与应用，2004，（20）: 27-29. 于洪山，王耀南. 一种改进的Canny边缘检测算法[J]. 计算机工程与应用，2004，（20）: 27-29. [8]何军，葛宏，王玉峰. 图像分割算法研究综述[J]. 计算机工程与科学，2009，（12）: 58-61. 何军，葛航，王玉峰图像分割方法的研究.

精神研究[J]. 计算机工程与科学，2009，（12）: 58-61. [9]李敏，罗红艳，郑小林. 一种改进的类别间最大方差图像分割方法[J]. 南京科技大学学报，2012改进的自适应阈值canny边缘检测，36（2）: 332-337. 李敏，罗红艳，郑小林等关键词: 改进的otsu算法，图像分割南京科技大学学报，2012，36（2）: 332-337. [10]李尔森，张宝明，周小明. 自适应Canny边缘检测算法研究[J]. 测绘科学，2008，（6）: 119·120. 作者简介: 孙志鹏（1989 1），男，硕. 研究方向: 数字图像，硕士生导师，副教授，研究方向是模式识别，系统识别与自适应控制，智能建筑等. 电子邮件: shaoxianhe @ aliyun. com Wang Zhu（1963），男，硕士生导师，教授，研究方向是无线传感器网络及网络测控技术，传感器及其应用技术. 电子邮件: wangzhu @ hit. edu. 张元霞（1967），女，研究方向为传感器与检测技术，仪器仪表研究与信息管理等. 收稿日期: 2015-05-06；项目负责人. 修订日期: 2015-08-18（刘爽编辑出版）21位元_万方数据

本文来自电脑杂谈，转载请注明本文网址：
https://www.pc-fly.com/a/jisuanjixue/article-265184-1.html