canny算法原理_opencv图像分割算法

—————–Canny算法原理部分—————–

Canny边缘检测算子是John F. Canny于 1986 年开发出来的一个多级边缘检测算法。

Canny边缘检测基本原理：

(1)图象边缘检测必须满足两个条件：一能有效地抑制噪声；二必须尽量精确确定边缘的位置。
(2)根据对信噪比与定位乘积进行测度，得到最优化逼近算子。这就是Canny边缘检测算子。
(3)类似与Marr（LoG）边缘检测方法，也属于先平滑后求导数的方法。
Canny 的目标是找到一个最优的边缘检测算法，最优边缘检测的含义是：
(1)好的检测 – 算法能够尽可能多地标识出图像中的实际边缘。
(2)好的定位 – 标识出的边缘要尽可能与实际图像中的实际边缘尽可能接近。
(3)最小响应 – 图像中的边缘只能标识一次，并且可能存在的图像雜訊不应标识为边缘。

Canny算子求边缘点具体算法步骤如下：

1. 用高斯滤波器平滑图像．

图像高斯滤波的实现可以用两个一维高斯核分别两次加权实现，也可以通过一个二维高斯核一次卷积实现。

1）高斯核实现

上式为离散化的二维高斯函数，确定参数就可以得到二维核向量。然后对灰度图像进行卷积计算，在求的高斯核后，要对整个核进行归一化处理，即每一个点的系数除以所有系数之和，这样得到最终的二维高斯模板。

附讲解：要想计算上面的系数，需要知道高斯函数的标准差σ （sigma），还需要知道选3*3还是5*5的模板，也就是模板要多大，实际应用的时候，这两者是有关系的，根据数理统计的知识，高斯分布的特点就是数值分布在（μ—3σ,μ+3σ)中的概率为0.9974，也就是模板的大小其实就是6σ这么大就OK了，但是6σ可能不是奇数，因为我们一定要保证有核心。所以模板窗口的大小一般采用1+2*ceil(3*nSigma) ceil是向上取整函数，例如ceil(0.6)=1。

详细讲解参见：http://www.open-open.com/lib/view/open1453460512558.html

//高斯滤波 double nSigma=0.2; int nWindowSize=1+2*ceil(3*nSigma);//通过sigma得到窗口大小 int nCenter=nWindowSize/2; int nWidth=OpenCvGrayImage->width; int nHeight=OpenCvGrayImage->height; IplImage * pCanny; pCanny=cvCreateImage(cvGetSize(ColorImage),ColorImage->depth,1); //生成二维滤波核 double *pKernel_2=new double[nWindowSize*nWindowSize]; double d_sum=0.0; for(int i=0;i<nWindowSize;i++) { for (int j=0;j<nWindowSize;j++) { double n_Disx=i-nCenter;//水平方向距离中心像素距离 double n_Disy=j-nCenter; pKernel_2[j*nWindowSize+i]=exp(-0.5*(n_Disx*n_Disx+n_Disy*n_Disy)/(nSigma*nSigma))/(2.0*3.)*nSigma*nSigma; d_sum=d_sum+pKernel_2[j*nWindowSize+i]; } } for(int i=0;i<nWindowSize;i++)//归一化处理 { for (int j=0;j<nWindowSize;j++) { pKernel_2[j*nWindowSize+i]=pKernel_2[j*nWindowSize+i]/d_sum; } } //输出模板 for (int i=0;i<nWindowSize*nWindowSize;i++) { if (i%(nWindowSize)==0) { printf("\n"); } printf("%.10f ",pKernel_2[i]); } //滤波处理 for (int s=0;s<nWidth;s++) { for (int t=0;t<nHeight;t++) { double dFilter=0; double dSum=0; //当前坐标（s,t）,获取8邻域 for (int x=-nCenter;x<=nCenter;x++) { for (int y=-nCenter;y<=nCenter;y++) { if ((x+s>=0)&&(x+s<nWidth)&&(y+t>=0)&&(y+t<nHeight))//判断是否越界 { double currentvalue=(double)OpenCvGrayImage->imageData[(y+t)*OpenCvGrayImage->widthStep+x+s]; dFilter+=currentvalue*pKernel_2[x+nCenter+(y+nCenter)*nCenter]; dSum+=pKernel_2[x+nCenter+(y+nCenter)*nCenter]; } } } pCanny->imageData[t*pCanny->widthStep+s]=(uchar)(dFilter/dSum); } } cvNamedWindow("GaussImage",0); cvShowImage("GaussImage",pCanny); //显示高斯图 cvWaitKey(0); cvDestroyWindow("GaussImage"); 

2. 用一阶偏导有限差分计算梯度幅值和方向

其中S为图像灰度值，P代表X方向梯度幅值，Q代表Y方向 梯度幅值

//计算梯度值和方向 double *P = new double[nWidth*nHeight]; double *Q = new double[nWidth*nHeight]; int *M = new int[nWidth*nHeight]; //IplImage * M;//梯度结果 //M=cvCreateImage(cvGetSize(ColorImage),ColorImage->depth,1); double *Theta = new double[nWidth*nHeight]; int nwidthstep = pCanny->widthStep; for (int iw = 0; iw<nWidth - 1; iw++) { for (int jh = 0; jh<nHeight - 1; jh++) { P[jh*nWidth + iw] = (double)(pCanny->imageData[min(iw + 1, nWidth - 1) + jh*nwidthstep] - pCanny->imageData[iw + jh*nwidthstep] + pCanny->imageData[min(iw + 1, nWidth - 1) + min(jh + 1, nHeight - 1)*nwidthstep] - pCanny->imageData[iw + min(jh + 1, nHeight - 1)*nwidthstep]) / 2; Q[jh*nWidth + iw] = (double)(pCanny->imageData[iw + jh*nwidthstep] - pCanny->imageData[iw + min(jh + 1, nHeight - 1)*nwidthstep] + pCanny->imageData[min(iw + 1, nWidth - 1) + jh*nwidthstep] - pCanny->imageData[min(iw + 1, nWidth - 1) + min(jh + 1, nHeight - 1)*nwidthstep]) / 2; } } //计算幅值和方向 for (int iw = 0; iw<nWidth - 1; iw++) { for (int jh = 0; jh<nHeight - 1; jh++) { M[jh*nWidth + iw] = (int)sqrt(P[jh*nWidth + iw] * P[jh*nWidth + iw] + Q[jh*nWidth + iw] * Q[jh*nWidth + iw] + 0.5); Theta[jh*nWidth + iw] = atan2(Q[jh*nWidth + iw], P[jh*nWidth + iw]) * 180 / 3.1415; if (Theta[jh*nWidth + iw]<0) { Theta[jh*nWidth + iw] = 360 + Theta[jh*nWidth + iw]; } } }

3. 对梯度幅值进行非极大值抑制

图像梯度幅值矩阵中的元素值越大，说明图像中该点的梯度值越大，但这不能说明该点就是边缘。在Canny算法中，非极大值抑制是边缘检测的重要步骤，即寻找像素点局部最大值，将非极大值点所对应的灰度值置为0，这样可以剔除一大部分非边缘点。

如上图所示，非极大值抑制首先确定像素点C的灰度值在其8邻域内是否为最大。其中蓝线方向为C点的梯度方向，可以确定局部最大值分布在这条线上，除了C点外，梯度方向的交点dTmp1和dTmp也可能是局部最大值。判断C点灰度与这两个点灰度大小即可判断C点是否为其邻域内的局部最大点。如果C点灰度值小于这两个点中的任何一个，就说明C点不是局部极大值，C点不是边缘。

当然在实际运算中只能得到C点8邻域值，而dTmp1和dTmp2是未知的，所以需要对这两个点两端的灰度进行插值计算，即根据g1和g2对dTmp1进行插值，根据g3和g4对dTmp2进行插值。

4. 用双阈值算法检测和连接边缘．

用白话叙述下Canny算子的原理：边缘是指图象局部区域亮度变化显著的部分，对于灰度图像来说，即是灰度值有一个明显的变化，既从一个灰度值在很小的缓冲区域内急剧变化到另一个灰度相差较大的灰度值。怎么表征这种灰度值的变化呢–>导数，但是数字图像都是离散的，导数要用差分来代替，即是具体算法中的步骤2。但是在真实的图像中，一般会有噪声，噪声会影响梯度的计算，所以先要步骤1滤波。从理论上，图像梯度幅值越大，说明该点的梯度值越大，但这不能说明该点就是边缘。在Canny算法中，非极大值抑制（步骤3）是进行边缘检测的重要步骤， 通俗意义上是指寻找像素点局部最大值，沿着梯度方向，比较它前面和后面的梯度值进行了 。步骤4，是一个典型算法，有时候我们并不像一刀切，也就是超过阈值的都是边缘点，而是设为两个阈值，希望在高阈值和低阈值之间的点也可能是边缘点，而且这些点最好在高阈值的附近，也就是说这些中间阈值的点是高阈值边缘点的一种延伸。所以步骤4用了双阈值来检测和连接边缘。

—————–Canny算法opencv源码部分—————–

基本原理简单说完，具体代码按照下面6步骤叙述。http://www.open-open.com/lib/view/open1453460512558.html
第一步：灰度化
第二步：高斯滤波
第三步：计算梯度值和方向
第四步：非极大值抑制
第五步：双阈值的选取
第六步：边缘检测

PO一下opencv中实现canny算法的源码(带注释)：

#include "precomp.hpp" /* #if defined (HAVE_IPP) && (IPP_VERSION_MAJOR >= 7) #define USE_IPP_CANNY 1 #else #undef USE_IPP_CANNY #endif */ #ifdef USE_IPP_CANNY namespace cv { static bool ippCanny(const Mat& _src, Mat& _dst, float low, float high) { int size = 0, size1 = 0; IppiSize roi = { _src.cols, _src.rows }; ippiFilterSobelNegVertGetBufferSize_8u16s_C1R(roi, ippMskSize3x3, &size); ippiFilterSobelHorizGetBufferSize_8u16s_C1R(roi, ippMskSize3x3, &size1); size = std::max(size, size1); ippiCannyGetSize(roi, &size1); size = std::max(size, size1); AutoBuffer<uchar> buf(size + 64); uchar* buffer = alignPtr((uchar*)buf, 32); Mat _dx(_src.rows, _src.cols, CV_16S); if( ippiFilterSobelNegVertBorder_8u16s_C1R(_src.data, (int)_src.step, _dx.ptr<short>(), (int)_dx.step, roi, ippMskSize3x3, ippBorderRepl, 0, buffer) < 0 ) return false; Mat _dy(_src.rows, _src.cols, CV_16S); if( ippiFilterSobelHorizBorder_8u16s_C1R(_src.data, (int)_src.step, _dy.ptr<short>(), (int)_dy.step, roi, ippMskSize3x3, ippBorderRepl, 0, buffer) < 0 ) return false; if( ippiCanny_16s8u_C1R(_dx.ptr<short>(), (int)_dx.step, _dy.ptr<short>(), (int)_dy.step, _dst.data, (int)_dst.step, roi, low, high, buffer) < 0 ) return false; return true; } } #endif void cv::Canny( InputArray _src, OutputArray _dst, double low_thresh, double high_thresh, int aperture_size, bool L2gradient ) { Mat src = _src.getMat(); //输入图像，必须为单通道灰度图 CV_Assert( src.depth() == CV_8U ); // 8位无符号 _dst.create(src.size(), CV_8U); //根据src的大小构造目标矩阵dst Mat dst = _dst.getMat(); //输出图像，为单通道黑白图 // low_thresh 表示低阈值， high_thresh表示高阈值 // aperture_size 表示算子大小，默认为3 // L2gradient计算梯度幅值的标识，默认为false // 如果L2gradient为false 并且 apeture_size的值为-1（-1的二进制标识为：1111 1111） // L2gradient为false 则计算sobel导数时，用G = |Gx|+|Gy| // L2gradient为true 则计算sobel导数时，用G = Math.sqrt((Gx)^2 + (Gy)^2) 根号下 开平方 if (!L2gradient && (aperture_size & CV_CANNY_L2_GRADIENT) == CV_CANNY_L2_GRADIENT) { // CV_CANNY_L2_GRADIENT 宏定义其值为： Value = (1<<31) 1左移31位 即 //backward compatibility // ~标识按位取反 aperture_size &= ~CV_CANNY_L2_GRADIENT;//相当于取绝对值 L2gradient = true; } // 判别条件1：aperture_size是奇数 // 判别条件2: aperture_size的范围应当是[3,7], 默认值3 if ((aperture_size & 1) == 0 || (aperture_size != -1 && (aperture_size < 3 || aperture_size > 7))) CV_Error(CV_StsBadFlag, ""); // 报错 if (low_thresh > high_thresh) // 如果低阈值 > 高阈值 std::swap(low_thresh, high_thresh); // 则交换低阈值和高阈值 #ifdef HAVE_TEGRA_OPTIMIZATION if (tegra::canny(src, dst, low_thresh, high_thresh, aperture_size, L2gradient)) return; #endif #ifdef USE_IPP_CANNY if( aperture_size == 3 && !L2gradient && ippCanny(src, dst, (float)low_thresh, (float)high_thresh) ) return; #endif const int cn = src.channels(); // cn为输入图像的通道数 Mat dx(src.rows, src.cols, CV_16SC(cn)); // 存储 x方向 方向导数的矩阵，CV_16SC(cn)：16位有符号cn通道 Mat dy(src.rows, src.cols, CV_16SC(cn)); // 存储 y方向 方向导数的矩阵 ...... /*Sobel参数说明：(参考cvSobel) cvSobel( const CvArr* src, // 输入图像 CvArr* dst, // 输入图像 int xorder， // x方向求导的阶数 int yorder， // y方向求导的阶数 int aperture_size = 3 // 滤波器的宽和高 必须是奇数 ); */ // BORDER_REPLICATE 表示当卷积点在图像的边界时，原始图像边缘的像素会被复制，并用复制的像素扩展原始图的尺寸 // 计算x方向的sobel方向导数，计算结果存在dx中 Sobel(src, dx, CV_16S, 1, 0, aperture_size, 1, 0, cv::BORDER_REPLICATE); // 计算y方向的sobel方向导数，计算结果存在dy中 Sobel(src, dy, CV_16S, 0, 1, aperture_size, 1, 0, cv::BORDER_REPLICATE); //L2gradient为true时， 表示需要根号下开平方运算，阈值也需要平方 if (L2gradient) { low_thresh = std::min(32767.0, low_thresh); high_thresh = std::min(32767.0, high_thresh); if (low_thresh > 0) low_thresh *= low_thresh; //低阈值平方运算 if (high_thresh > 0) high_thresh *= high_thresh; //高阈值平方运算 } int low = cvFloor(low_thresh); // cvFloor返回不大于参数的最大整数值, 相当于取整 int high = cvFloor(high_thresh); // ptrdiff_t 是C/C++标准库中定义的一个数据类型，signed类型，通常用于存储两个指针的差（距离），可以是负数 // mapstep 用于存放 ptrdiff_t mapstep = src.cols + 2; // +2 表示左右各扩展一条边 // AutoBuffer<uchar> 会自动分配一定大小的内存，并且指定内存中的数据类型是uchar // 列数 +2 表示图像左右各自扩展一条边 （用于复制边缘像素，扩大原始图像） // 行数 +2 表示图像上下各自扩展一条边 AutoBuffer<uchar> buffer((src.cols+2)*(src.rows+2) + cn * mapstep * 3 * sizeof(int)); int* mag_buf[3]; //定义一个大小为3的int型指针数组， mag_buf[0] = (int*)(uchar*)buffer; mag_buf[1] = mag_buf[0] + mapstep*cn; mag_buf[2] = mag_buf[1] + mapstep*cn; memset(mag_buf[0], 0, /* cn* */mapstep*sizeof(int)); uchar* map = (uchar*)(mag_buf[2] + mapstep*cn); memset(map, 1, mapstep); memset(map + mapstep*(src.rows + 1), 1, mapstep); int maxsize = std::max(1 << 10, src.cols * src.rows / 10); // 2的10次幂 1024 std::vector<uchar*> stack(maxsize); // 定义指针类型向量，用于存地址 uchar **stack_top = &stack[0]; // 栈顶指针（指向指针的指针），指向stack[0], stack[0]也是一个指针 uchar **stack_bottom = &stack[0]; // 栈底指针 ，初始时 栈底指针 == 栈顶指针 // 梯度的方向被近似到四个角度之一 (0, 45, 90, 135 四选一) /* sector numbers (Top-Left Origin) 1 2 3 * * * * * * 0*******0 * * * * * * 3 2 1 */ // define 定义函数块 // CANNY_PUSH(d) 是入栈函数， 参数d表示地址指针，让该指针指向的内容为2（int型强制转换成uchar型），并入栈，栈顶指针+1 // 2表示 像素属于某条边缘 可以看下方的注释 // CANNY_POP(d) 是出栈函数， 栈顶指针-1，然后将-1后的栈顶指针指向的值，赋给d #define CANNY_PUSH(d) *(d) = uchar(2), *stack_top++ = (d) #define CANNY_POP(d) (d) = *--stack_top // calculate magnitude and angle of gradient, perform non-maxima suppression. // fill the map with one of the following values: // 0 - the pixel might belong to an edge 可能属于边缘 // 1 - the pixel can not belong to an edge 不属于边缘 // 2 - the pixel does belong to an edge 一定属于边缘 // for内进行非极大值抑制 + 滞后阈值处理 for (int i = 0; i <= src.rows; i++) // i 表示第i行 { // i == 0 时，_norm 指向 mag_buf[1] // i > 0 时， _norm 指向 mag_buf[2] // +1 表示跳过每行的第一个元素，因为是后扩展的边，不可能是边缘 int* _norm = mag_buf[(i > 0) + 1] + 1; if (i < src.rows) { short* _dx = dx.ptr<short>(i); // _dx指向dx矩阵的第i行 short* _dy = dy.ptr<short>(i); // _dy指向dy矩阵的第i行 if (!L2gradient) // 如果 L2gradient为false { for (int j = 0; j < src.cols*cn; j++) // 对第i行里的每一个值都进行计算 _norm[j] = std::abs(int(_dx[j])) + std::abs(int(_dy[j])); // 用||+||计算 } else { for (int j = 0; j < src.cols*cn; j++) //用平方计算,当 L2gradient为 true时，高低阈值都被平方了，所以此处_norm[j]无需开平方 _norm[j] = int(_dx[j])*_dx[j] + int(_dy[j])*_dy[j]; // } if (cn > 1) // 如果不是单通道 { for(int j = 0, jn = 0; j < src.cols; ++j, jn += cn) { int maxIdx = jn; for(int k = 1; k < cn; ++k) if(_norm[jn + k] > _norm[maxIdx]) maxIdx = jn + k; _norm[j] = _norm[maxIdx]; _dx[j] = _dx[maxIdx]; _dy[j] = _dy[maxIdx]; } } _norm[-1] = _norm[src.cols] = 0; // 最后一列和第一列的梯度幅值设置为0 } // 当i == src.rows （最后一行）时，申请空间并且每个空间的值初始化为0, 存储在mag_buf[2]中 else memset(_norm-1, 0, /* cn* */mapstep*sizeof(int)); // at the very beginning we do not have a complete ring // buffer of 3 magnitude rows for non-maxima suppression if (i == 0) continue; uchar* _map = map + mapstep*i + 1; // _map 指向第 i+1 行，+1表示跳过该行第一个元素 _map[-1] = _map[src.cols] = 1; // 第一列和最后一列不是边缘，所以设置为1 int* _mag = mag_buf[1] + 1; // take the central row 中间那一行 ptrdiff_t magstep1 = mag_buf[2] - mag_buf[1]; ptrdiff_t magstep2 = mag_buf[0] - mag_buf[1]; const short* _x = dx.ptr<short>(i-1); const short* _y = dy.ptr<short>(i-1); // 如果栈的大小不够，则重新为栈分配内存（相当于扩大容量） if ((stack_top - stack_bottom) + src.cols > maxsize) { int sz = (int)(stack_top - stack_bottom); maxsize = maxsize * 3/2; stack.resize(maxsize); stack_bottom = &stack[0]; stack_top = stack_bottom + sz; } int prev_flag = 0; //前一个像素点 0：非边缘点 ；1：边缘点 for (int j = 0; j < src.cols; j++) // 第 j 列 { #define CANNY_SHIFT 15 // tan22.5 const int TG22 = (int)(0.*(1<<CANNY_SHIFT) + 0.5); int m = _mag[j]; if (m > low) // 如果大于低阈值 { int xs = _x[j]; // dx中 第i-1行 第j列 int ys = _y[j]; // dy中 第i-1行 第j列 int x = std::abs(xs); int y = std::abs(ys) << CANNY_SHIFT; int tg22x = x * TG22; if (y < tg22x) //角度小于22.5 用区间表示：[0, 22.5) { // 与左右两点的梯度幅值比较，如果比左右都大 //（此时当前点是左右邻域内的极大值），则 goto __ocv_canny_push 执行入栈操作 if (m > _mag[j-1] && m >= _mag[j+1]) goto __ocv_canny_push; } else //角度大于22.5 { int tg67x = tg22x + (x << (CANNY_SHIFT+1)); if (y > tg67x) //(67.5, 90) { //与上下两点的梯度幅值比较，如果比上下都大 //（此时当前点是左右邻域内的极大值），则 goto __ocv_canny_push 执行入栈操作 if (m > _mag[j+magstep2] && m >= _mag[j+magstep1]) goto __ocv_canny_push; } else //[22.5, 67.5] { // ^ 按位异或 如果xs与ys异号 则取-1 否则取1 int s = (xs ^ ys) < 0 ? -1 : 1; //比较对角线邻域 if (m > _mag[j+magstep2-s] && m > _mag[j+magstep1+s]) goto __ocv_canny_push; } } } //比当前的梯度幅值低阈值还低，直接被确定为非边缘 prev_flag = 0; _map[j] = uchar(1); // 1 表示不属于边缘 continue; __ocv_canny_push: // 前一个点不是边缘点 并且 当前点的幅值大于高阈值（大于高阈值被视为边缘像素） 并且 正上方的点不是边缘点 if (!prev_flag && m > high && _map[j-mapstep] != 2) { //将当前点的地址入栈，入栈前，会将该点地址指向的值设置为2（查看上面的宏定义函数块里） CANNY_PUSH(_map + j); prev_flag = 1; } else _map[j] = 0; } // scroll the ring buffer // 交换指针指向的位置，向上覆盖，把mag_[1]的内容覆盖到mag_buf[0]上 // 把mag_[2]的内容覆盖到mag_buf[1]上 // 最后 让mag_buf[2]指向_mag指向的那一行 _mag = mag_buf[0]; mag_buf[0] = mag_buf[1]; mag_buf[1] = mag_buf[2]; mag_buf[2] = _mag; } // now track the edges (hysteresis thresholding) // 通过上面的for循环，确定了各个邻域内的极大值点为边缘点（标记为2） // 现在，在这些边缘点的8邻域内（上下左右+4个对角）,将可能的边缘点（标记为0）确定为边缘 while (stack_top > stack_bottom) { uchar* m; if ((stack_top - stack_bottom) + 8 > maxsize) { int sz = (int)(stack_top - stack_bottom); maxsize = maxsize * 3/2; stack.resize(maxsize); stack_bottom = &stack[0]; stack_top = stack_bottom + sz; } CANNY_POP(m); // 出栈 if (!m[-1]) CANNY_PUSH(m - 1); if (!m[1]) CANNY_PUSH(m + 1); if (!m[-mapstep-1]) CANNY_PUSH(m - mapstep - 1); if (!m[-mapstep]) CANNY_PUSH(m - mapstep); if (!m[-mapstep+1]) CANNY_PUSH(m - mapstep + 1); if (!m[mapstep-1]) CANNY_PUSH(m + mapstep - 1); if (!m[mapstep]) CANNY_PUSH(m + mapstep); if (!m[mapstep+1]) CANNY_PUSH(m + mapstep + 1); } // the final pass, form the final image // 生成边缘图 const uchar* pmap = map + mapstep + 1; uchar* pdst = dst.ptr(); for (int i = 0; i < src.rows; i++, pmap += mapstep, pdst += dst.step) { for (int j = 0; j < src.cols; j++) pdst[j] = (uchar)-(pmap[j] >> 1); } } void cvCanny( const CvArr* image, CvArr* edges, double threshold1, double threshold2, int aperture_size ) { cv::Mat src = cv::cvarrToMat(image), dst = cv::cvarrToMat(edges); CV_Assert( src.size == dst.size && src.depth() == CV_8U && dst.type() == CV_8U ); cv::Canny(src, dst, threshold1, threshold2, aperture_size & 255, (aperture_size & CV_CANNY_L2_GRADIENT) != 0); } 

—————–Canny算法opencv实例—————–

#include <iostream> #include <opencv2/opencv.hpp> #include <opencv2/imgproc/imgproc.hpp> #include <opencv2/core.hpp> #include <opencv2/highgui.hpp> using namespace std; using namespace cv; Mat srcImage, grayImage, dstImage; int edgeThresh = 1; int lowThreshold; int const max_lowThreshold = 100; int ratio = 3; //阈值倍数 int kernel_size = 3; //Sobel算子孔径尺寸 const String windowName = "Canny算子边缘检测"; //声明回调函数 void CannyThreshold(int, void*); int main() { srcImage = imread("zjl.jpg"); if (srcImage.empty()) { cout << "图像加载失败!" << endl; return -1; } else cout << "图像加载成功!" << endl; //高斯滤波，转灰度图 GaussianBlur(srcImage, srcImage, Size(3, 3), 0, 0, BORDER_DEFAULT); cvtColor(srcImage, grayImage, COLOR_BGR2GRAY); namedWindow("原始图像", WINDOW_AUTOSIZE); imshow("原始图像", grayImage); //定义轨迹条属性 namedWindow(windowName, WINDOW_AUTOSIZE); char trackbarName[20]; sprintf(trackbarName, "阈值", max_lowThreshold); lowThreshold = 20; //创建轨迹条 createTrackbar(trackbarName, windowName, &lowThreshold, max_lowThreshold, CannyThreshold); CannyThreshold(lowThreshold, 0); waitKey(0); return 0; } void CannyThreshold(int, void*) { Canny(grayImage, dstImage, lowThreshold, lowThreshold*ratio, kernel_size); imshow(windowName, dstImage); waitKey(0); }

参考：

http://blog.csdn.net/xiaowei_cqu/article/details/
http://blog.csdn.net/xiaowei_cqu/article/details/
http://www.open-open.com/lib/view/open1453460512558.html
http://blog.csdn.net/xiajun0/article/details/
http://blog.csdn.net/u0/article/details/
http://blog.csdn.NET/keith_bb/article/details/?utm_source=tuicool&utm_medium=referral

https://www.cnblogs.com/mightycode/p/6394810.html

http://blog.csdn.net/dcrmg/article/details/

今天的文章
canny算法原理_opencv图像分割算法分享到此就结束了，感谢您的阅读。