自适应Canny边缘检测算法

Question

我正在尝试从头开始使用python实现Canny算法。

我正在按照步骤

1. 双边过滤图像

2. 使用面向 4 个不同方向的高斯一阶导数进行梯度计算

def deroGauss(w=5,s=1,angle=0):

wlim = (w-1)/2
y,x = np.meshgrid(np.arange(-wlim,wlim+1),np.arange(-wlim,wlim+1))
G = np.exp(-np.sum((np.square(x),np.square(y)),axis=0)/(2*np.float64(s)**2))
G = G/np.sum(G)
dGdx = -np.multiply(x,G)/np.float64(s)**2
dGdy = -np.multiply(y,G)/np.float64(s)**2
angle = angle*math.pi/180 #converting to radians
dog = math.cos(angle)*dGdx + math.sin(angle)*dGdy
return dog

3. 所有 4 个梯度图像中的非最大抑制

def nonmaxsup(I,gradang):

dim = I.shape
Inms = np.zeros(dim)
weak = np.zeros(dim)    
strong = np.zeros(dim)
final = np.zeros(dim)
xshift = int(np.round(math.cos(gradang*np.pi/180)))
yshift = int(np.round(math.sin(gradang*np.pi/180)))
Ipad = np.pad(I,(1,),'constant',constant_values = (0,0))
for r in xrange(1,dim[0]+1):
for c in xrange(1,dim[1]+1):
maggrad = [Ipad[r-xshift,c-yshift],Ipad[r,c],Ipad[r+xshift,c+yshift]]
if Ipad[r,c] == np.max(maggrad):
Inms[r-1,c-1] = Ipad[r,c]
return Inms

4. 双阈值和滞后：现在真正的问题来了。

我正在使用 Otsu 的方法脚趾计算阈值。

我应该使用灰度图像还是渐变图像来计算阈值？

因为在梯度图像中，像素强度值在双边滤波后降低到非常低的值，然后在与高斯导数卷积后进一步降低。例如 ：： 28， 15

使用灰度计算的阈值远高于使用渐变图像计算的阈值。

此外，如果我使用灰度甚至渐变图像来计算阈值，则生成的图像不够好，并且不包含所有边缘。

所以实际上，我没有什么可以应用滞后了。

我试过了

img_edge = img_edge*255/np.max(img_edge)

以放大值，但结果保持不变

但是，如果我使用相同的阈值cv2.Canny则结果非常好。

到底可能出什么问题？

Answer 1

从原始图像应用Otsu阈值没有意义，它与梯度强度完全无关。

从梯度强度来看，Otsu并不完美，因为噪声和边缘的统计分布是偏斜的

，并且重叠很多。您可以尝试Otsu的一些小倍数或平均值的一些小倍数。但在任何情况下，您都不会通过简单或迟滞阈值获得完美的结果。边缘检测是一个棘手的问题。