自适应 Canny 边缘检测算法

Question

我正在尝试使用 python 从头开始​​实现 Canny 算法。

我正在按照步骤进行

1. 对图像进行双边过滤

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

1. 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 的方法来计算阈值。

我应该使用灰度图像还是梯度图像来计算阈值？

因为在梯度图像中，像素强度值在双边滤波后被降低到非常低的值，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梯度图像计算的阈值。

此外，如果我使用灰度甚至梯度图像来计算阈值，则结果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)

按比例放大值但结果保持不变

但如果我使用与cv2.Canny 相同的阈值，结果非常好。

实际上可能有什么问题？

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。

梯度强度的 Otsu 并不完美，因为噪声和边缘的统计分布偏斜且重叠很多。

您可以尝试 Otsu 的小倍数或平均值的小倍数。但在任何情况下，您都不会通过简单或滞后阈值获得完美的结果。边缘检测是一个不适定问题。