高斯滤波及canny边缘检测代码实现

最近这两天在看canny边缘检测，看到opencv的源码就头大，最后参考诸位大神原理解析，自己实现了一个canny边缘检测。现在写下来和大家分享，自己顺便做个笔记。

首先列举一下大神的帖子：

Canny边缘检测算法原理及其VC实现详解(一)：主要介绍原理。

Canny边缘检测算法原理及其VC实现详解(二)：主要介绍代码实现。

【数字图像处理】Canny边缘检测详解及编程实现：实现原理以及MATLAB代码实现。

本文使用opencv的图像、结构、部分函数、c++实现，力求简单明了。

主要也是四个步骤：

1.高斯滤波

2.梯度及幅值的求取

3.非极大值抑制

4.双阈值边缘连接

好，现在开始介绍，原理可以参考我列举的大神的帖子，我把我那码的不太整齐的代码列举一下。

1.高斯滤波

1.1产生二维高斯滤波模板

Mat createGaussianKernel2D(int ksize,float sigma)
{
//sigma越大，离散程度越厉害，因此加权的过程中，中心值的权重越弱，由此带来的图像越模糊；
//计算没有归一化的高斯核
Mat kernel = Mat::zeros(ksize,ksize,CV_32FC1);
int ci = (ksize-1)/2;
int cj = (ksize-1)/2;
for (int i = -1*ci;i<=ci;i++)
{
float *data = kernel.ptr<float>(i+ci);
for (int j = -1*cj;j<=cj;j++)
{
float eval = (-1*float(1)/2*((float(i)*i + float(j)*j)/(sigma*sigma)));
data[j+cj] = exp(eval);
}
}

//计算高斯核的和
float kernelSum = 0.0f;
for (int i = 0;i<ksize;i++)
{
float *data = kernel.ptr<float>(i);
for (int j = 0;j<ksize;j++)
{
kernelSum += data[j];
}
}
//归一化高斯核
for (int i = 0;i<ksize;i++)
{
float *data = kernel.ptr<float>(i);
for (int j = 0;j<ksize;j++)
{
data[j] = data[j]/kernelSum;
}
}
return kernel;
}

1.2使用高斯模板进行高斯滤波

void gaussianFilter(const Mat &src,Mat& dst,int ksize = 3,float sigma = 1.0)
{
int height = src.rows;
int width = src.cols;
int stype = src.type();
Mat kernel = createGaussianKernel2D(5,sigma);
int hf = ksize/2;
//为原始图像添加黑色边缘，滤波时从边缘开始滤波
Mat _src = Mat::zeros(height+hf*2,width+hf*2,stype);
for (int i = hf;i < _src.rows-hf; i++)
{
uchar *in = (uchar*)src.ptr<uchar>(i-hf);
uchar *out = _src.ptr<uchar>(i);
for (int j = hf;j < _src.cols-hf; j++)
{
out[j] = in[j-hf];
}
}

float conSum = 0.0f;
dst = Mat::zeros(height,width,stype);
for (int i = 0;i < _src.rows-2*hf ; i++)
{
uchar *dst_data = dst.ptr<uchar>(i);
for (int j = 0;j < _src.cols-2*hf ; j++)
{
//对每个像素，使用高斯核进行卷积
for (int m = 0;m < kernel.rows;m++)
{
uchar *_src_data = _src.ptr<uchar>(i+m);
float *ker_data = kernel.ptr<float>(m);
for (int n = 0;n < kernel.cols;n++)
{
conSum += ker_data
*(float)_src_data[j+n];
}
}
//将卷积得到的结果赋值给目的像素
dst_data[j] = (uchar)conSum;
conSum = 0.0f;
}
}
}

</pre>2.梯度及幅值的求取<span style="font-size:18px">梯度求取使用opencv自带的sobel边缘检测器</span><p></p><p><span style="font-size:18px"></span></p><pre name="code" class="cpp"><span style="white-space:pre">	</span>Mat dx = Mat::zeros(_srcGray.rows, _srcGray.cols, CV_32FC1);
Mat dy = Mat::zeros(_srcGray.rows, _srcGray.cols, CV_32FC1);
Mat mag = Mat::zeros(_srcGray.rows, _srcGray.cols, CV_32FC1);
<span style="white-space:pre">	</span>//计算梯度
Sobel(_srcGauBlur, dx, CV_32FC1, 1, 0, sobel_size);
Sobel(_srcGauBlur, dy, CV_32FC1, 0, 1, sobel_size);

for (int i = 0; i < _srcGray.rows; i++)
{
float* _dx = dx.ptr<float>(i);
float* _dy = dy.ptr<float>(i);
float* data = mag.ptr<float>(i);
<span style="white-space:pre">		</span>//计算幅值
for (int j = 0; j < _srcGray.cols; j++)
data[j] = std::sqrt(_dx[j]*_dx[j] + _dy[j]*_dy[j]);
}

3.非极大值抑制

这里有一点要注意的，很多博文中介绍的非极大值抑制的坐标系是标准坐标系（y轴向上，x轴向右），而opencv中的坐标系Y轴是向下的，因此代码中45°和135°方向角的位置的计算方法按照标准坐标系看起来是错误的，但我使用了opencv所以这样计算就是正确的了，测试了好多次没有得到结果，最后发现是坐标系搞反了。

<span style="white-space:pre">	</span>Mat nms = mag.clone();
for (int i = 1; i < _srcGray.rows-1; i++)
{
float* _dx = dx.ptr<float>(i);
float* _dy = dy.ptr<float>(i);
float *line0 = mag.ptr<float>(i-1);
float *line1 = mag.ptr<float>(i);
float *line2 = mag.ptr<float>(i+1);
float *data = nms.ptr<float>(i);
for (int j = 1; j < _srcGray.cols-1; j++)
{
float direction =cv::fastAtan2(_dy[j],_dx[j]);
if ( (direction>0 && direction <= 22.5) || (direction >157.5 &&
direction <= 202.5) || (direction>337.5 && direction<=360)  )
{
if(line1[j]<line1[j+1] | line1[j]<line1[j-1])
data[j]=0;
}
else if ( (direction>22.5 && direction <= 67.5) ||
(direction >202.5 && direction <247.5)  )
{
if(line1[j]<line0[j-1] | line1[j]<line2[j+1])
data[j]=0.0;
}
else if ( (direction >67.5 && direction <= 112.5)||
(direction>247.5 && direction<=292.5) )
{
if(line1[j]<line0[j] | line1[j]<line2[j])
data[j]=0.0;
}
else if ( (direction >112.5 && direction < 157.5)||
(direction>292.5 && direction<337.5) )
{
if(line1[j]<line0[j+1] | line1[j]<line2[j-1])
data[j]=0.0;
}
else{   ;	}
}
}

4.双阈值边缘连接

//大于高阈值置2，也就是一定是边缘像素
//小于高阈值大于低阈值置1，也就是可能是边缘像素
//小于低阈值置0，也就是一定不是边缘像素
Mat dval = Mat::zeros(_srcGray.rows, _srcGray.cols, CV_8UC1);
for (int i = 0; i < _srcGray.rows; i++)
{
uchar *in_data = nms.ptr<uchar>(i);
uchar *data = dval.ptr<uchar>(i);
for (int j = 0; j < _srcGray.cols; j++)
{
if(in_data[j]>=high_thresh)
data[j]=2;
if(in_data[j]<high_thresh &in_data[j]>=low_thresh)
data[j]=1;
if(in_data[j]<low_thresh)
data[j]=0;
}
}

//判断可能为边缘像素的值（1）是否加入确定为像素
//判断准则，加入邻域内有一个确定边缘，那么可能边缘变为确定边缘
Mat dval_find = Mat::zeros(_srcGray.rows, _srcGray.cols, CV_8UC1);
dval_find = dval.clone();
for (int i = 1; i < _srcGray.rows-1; i++)
{
uchar *in_data0 = dval.ptr<uchar>(i-1);
uchar *in_data1 = dval.ptr<uchar>(i);
uchar *in_data2 = dval.ptr<uchar>(i+1);
uchar *data = dval_find.ptr<uchar>(i);
for (int j = 1; j < _srcGray.cols-1; j++)
{
if (in_data1[j] == 1)
{
if (in_data0[j-1]==2|in_data0[j]==2|in_data0[j+1]==2\
|in_data1[j-1]==2|in_data1[j+1]==2\
|in_data2[j-1]==2|in_data2[j]==2|in_data2[j+1]==2)
{
data[j] = 2;
}
}
}
}

//是确定边缘的像素，输出图像的相应位置置255
Mat out_img = Mat::zeros(_srcGray.rows, _srcGray.cols, CV_8UC1);
for (int i = 0; i < _srcGray.rows; i++)
{
uchar *in_data = dval_find.ptr<uchar>(i);
uchar *data = out_img.ptr<uchar>(i);
for (int j =
a0d1
0; j < _srcGray.cols; j++)
{
if (in_data[j] == 2)
{
data[j] = 255;
}
}
}

最后上测试结果，测试图是经典“老美女.jpg”

下图分别为：lena灰度图、高斯滤波图、幅值图、非极大值抑制图、边缘图、opencv-canny边缘检测图













工程下载地址

使用opencv2.4.8+vs2010