7.邊緣檢測：2D運算——Canny邊緣原理、Canny邊緣檢測器、Canny-Matlab實戰_2
目錄
Canny邊緣原理
Canny邊緣檢測器
Canny-Matlab實戰
Canny邊緣原理
既然我們知道了如何計算光滑導數和梯度，我們就可以回到如何找到邊的問題上。
基本上這是一個多步驟的過程，對吧?
1.你要建立平滑的導數來抑制一些噪聲我們要計算一些主要的梯度。
2.我們要對梯度進行閾值以找到一些重要的變化區域。
3.我們將這些領域,我們要做所謂的變薄。
（下面所示的一個例子,我們將進一步討論,這樣脂肪邊緣變成一個輪廓,然後說這就是優勢）
4.最後，我們要以某種方式連線這些畫素的，如果你真的想要一個連線輪廓。
所以我想說的邊緣運算元是John Canny做的，實際上是他的碩士論文，當我還在那裡上學的時候，
他在他的博士論文中繼續做了一些很酷的東西，但是大家都知道因為它被稱為Canny邊緣運算元。
Canny運算元的工作原理是這樣的：
1.首先你用高斯函式的導數對影象進行過濾；
2.找出幅度和方向；
3.進行非極大值抑制，也就是這種細化，我們等下會講到；
4.有一個連線操作，在這裡您將不僅要定義一個閾值，還要定義兩個閾值，並且您將使用高的閾值開始邊緣化；
但是您將使用更低的閾值來繼續；（我們將詳細討論這個，這是真正的酷的洞察力）
順便說一下，MATLAB會處理Canny邊緣，所以你可以通過呼叫邊緣函式來獲取Canny邊緣。
我鼓勵你看MATLAB的相關邊緣文件。
MATLAB中影象處理工具箱的文件，幫助你學習MATLAB中的所有邊緣檢測，它實際上是影象處理資訊的主要來源。
Canny邊緣檢測器
為了說明這個有趣的邊緣探測器，我要用Lena的圖片：
有個人，他剪掉了1972年男性雜誌的頂部照片，那是Lena Soderberg，我想是她的名字。
這是她最近的照片：
所以我們都變了。
我們還是使用最上面那張用於影象處理的圖片。
如果我們取梯度的大小，我們得到的值是這樣的：
你看它接近邊緣，但實際上，你和我都看到了邊緣，對吧?
它只是一個梯度影象，對吧?
然後我們就可以閾值梯度：
現在你可以看到這些東西都消失了，所以任何梯度不高的東西都被去掉了。
然後我們做一個調整叫影象細化, 稍後我們會詳細討論這個。
這個奇特的名字叫非極大抑制。
基本上就是說，如果我有一些點在區域性超過閾值，讓我只取出超過它最多的點。
我們馬上會學習到。
當你這樣做的時候，你會得到這樣的結果：
兩張對比，你可以看到這是它的細化版本：
簡單說明一下，為什麼要細化?
我們來看看這個小區域：
你可以看到有一個厚的部分超過了臨界值。
我們想說的是中間有一條邊：
你想想，如果你來到這裡，你可能會看到一個輪廓線從低到高，對吧?
如果你對它求導，你會發現這個區域的導數高於這個閾值：
這就得到了這條粗邊：
我們想把它變成一條細邊。
因此，非最大抑制的方式，細化是在canny運算元中完成的，如下所示：
你不需要實施這個，我只是想讓你知道發生了什麼。
基本上它會找到高梯度的區域，它會沿著梯度的方向看過去，它只會找到那裡的峰值：
然後這裡也是一樣，你會在這裡找到峰值：
這裡的梯度是這個方向，所以會找到峰值：
有時候，有時候你需要插值，這就是這張圖顯示：
你找到梯度，你說：Ok，我認為它在兩個畫素之間，所以你可以得到亞畫素（sub-pixel）精度。
但關鍵是，它看起來垂直於梯度向量，為了找到最大值。
這個細化的部分，這就是怎麼做的，現在有一個非常聰明的細節要看。
如果你看一下下巴下面的這個點，你會看到一些畫素沒有通過閾值：
這是一個問題，你可以說我們的閥值設定的太高了。
然後會出現一大堆我們並不關心的東西。
問題是如何處理這個問題：
1.我們做的第一件事是應用高閾值來檢測邊緣，強邊緣畫素。閾值會拉出一些畫素。
2.我們要做的就是把這些強邊畫素連線起來形成強邊。
3.我們現在使用一個低閾值來找到弱的，但可能的邊緣畫素。
4.接著我們沿著弱畫素點擴充套件強邊。
這意味著如果一條邊上只有弱畫素，它就不會被發現是一條邊。
只有當某些畫素是強邊緣畫素時，才能找到邊緣。這裡的假設是，我關心的所有邊都有一些強畫素。
然後，我可能不得不繼續連線一個閥值較低的區域，但邊緣是由高閥值畫素的檢測開創的。
Canny-Matlab實戰
我有兩個圖片給你，曲發和轎車。
>> pkg load image;
>>
>> frizzy = imread('frizzy.png');
>> froomer = imread('froomer.png');
>> imshow(frizzy);
>> imshow(froomer);
>>
>> % TODO: Find edges in frizzy and froomer images
>>
>> % TODO: Display common edge pixels程式碼執行，顯示兩張圖片：
我希望您在這些影象中找到邊緣，然後顯示兩者之間共有的邊緣畫素。
如果你能做也不錯，我們來一起做做吧：
現在我們來看看是怎麼得到這個的。
首先，將影象從顏色轉換為灰度，使用rgb2gray（）函式：
然後使用邊緣函式分別計算每個影象的邊緣。請注意，我明確地使用了'canny'。預設是我認為索貝爾，它不起作用。
Canny接受了附加引數、滯後性值和平滑sigma值。隨意玩他們。
>> pkg load image;
>>
>> frizzy = imread('frizzy.png');
>> froomer = imread('froomer.png');
>> imshow(frizzy);
>> imshow(froomer);
>>
>> % TODO: Find edges in frizzy and froomer images
>> frizzy_gray = rgb2gray(frizzy);
>> froomer_gray = rgb2gray(froomer);
>>
>> frizzy_edges = edge(frizzy_gray, 'canny');
>> froomer_edges = edge(froomer_gray, 'canny');
>> imshow(frizzy_edges);
>> imshow(froomer_edges);
>>
>> % TODO: Display common edge pixels程式碼執行如下：
這是frizzy的邊緣。這幾乎是完美的。
注意在嘴巴和鼻子周圍，我們有很厚的輪廓，我們有雙重邊緣。
這是預期的。
這是froomer的邊緣，也很好。
好的，現在怎麼辦呢?
注意，邊緣影象是二進位制影象。
這意味著你可以和它們一起找到共同的邊緣畫素。
>> pkg load image;
>>
>> frizzy = imread('frizzy.png');
>> froomer = imread('froomer.png');
>> imshow(frizzy);
>> imshow(froomer);
>>
>> % TODO: Find edges in frizzy and froomer images
>> frizzy_gray = rgb2gray(frizzy);
>> froomer_gray = rgb2gray(froomer);
>>
>> frizzy_edges = edge(frizzy_gray, 'canny');
>> froomer_edges = edge(froomer_gray, 'canny');
>> imshow(frizzy_edges);
>> imshow(froomer_edges);
>>
>> % TODO: Display common edge pixels
>> imshow(frizzy_edges & froomer_edges); % binary AND程式碼執行，結果：
OK。
你永遠不知道一個或兩個影象中隱藏著什麼。
——學會編寫自己的程式碼，才能練出真功夫。