canny边缘检测01

canny边缘检测，非极大抑制部分用的是传统方法，连接边缘部分感觉可以改改，滞后双阈值和连接分开进行，速度会不会变快？非极大抑制有改进的方法，如何改进再看看。

 

 

close all
clear all
clc

I=imread('lena.tif');
imshow(I);
img=double(I);
%高斯平滑滤波
w=fspecial('gaussian',[5 5]);
img_gaussian=imfilter(img,w,'replicate');
figure,imshow(uint8(img_gaussian));%注意图像类型
%索贝尔sobel边缘检测
w=fspecial('sobel');
img_broadwise=imfilter(img_gaussian,w,'replicate');
w=w';
img_endwise=imfilter(img_gaussian,w,'replicate');
img_grad=sqrt(img_broadwise.^2+img_endwise.^2);
figure,imshow(uint8(img_grad));
%传统方法的非极大抑制（即：按规定的四个方向0、45、90、-45）
angle=atan(img_endwise./img_endwise);%“.+运算符”代表阵列运算
[m n]=size(img);
for i=2:m-1%0、1、2、3分别代表0、45、90、-45。
    for j=2:n-1
        if angle(i,j)>=3/8*pi;
            direction(i,j)=2;
        else if angle(i,j)>=1/8*pi;
                direction(i,j)=1;
            else if angle(i,j)>=-1/8*pi;
                    direction(i,j)=0;
                else direction(i,j)=3;
                end              
            end
        end
    end
end
img_nms=img_grad;
for i=2:m-1%0、1、2、3分别代表0、45、90、-45。
    for j=2:n-1
        switch direction(i,j) 
                case 0
                    if img_grad(i,j)>=img_grad(i-1,j)&&img_grad(i,j)>=img_grad(i+1,j);
                        img_nms(i,j)=img_grad(i,j);
                    else img_nms(i,j)=0;
                    end
                case 1
                    if img_grad(i,j)>=img_grad(i-1,j+1)&&img_grad(i,j)>=img_grad(i+1,j-1);
                        img_nms(i,j)=img_grad(i,j);
                    else img_nms(i,j)=0;
                    end
                case 2
                    if img_grad(i,j)>=img_grad(i,j-1)&&img_grad(i,j)>=img_grad(i,j+1);
                        img_nms(i,j)=img_grad(i,j);
                    else img_nms(i,j)=0;
                    end
                case 3
                   if img_grad(i,j)>=img_grad(i-1,j-1)&&img_grad(i,j)>=img_grad(i+1,j+1);
                        img_nms(i,j)=img_grad(i,j);
                    else img_nms(i,j)=0;
                    end
        end
    end
end
figure,imshow(uint8(img_nms));%注意图像类型转换
%滞后双阈值处理
img_threshold=uint8(img_nms);
t1=120;%上阈值
t2=100;%下阈值
set(0,'RecursionLimit',1000);  %设置最大递归深度
                               %递归深度越大，计算时间越长,但效果越好

for i=1:m;
    for j=1:n;
        if img_threshold(i,j)>=120&&img_threshold(i,j)~=255;
            img_threshold(i,j)=255;
            img_threshold=img_connect(t2,i,j,img_threshold);
        end
    end
end
figure,
imshow(img_threshold);
%subplot(321),imshow(I),title('原图');
%subplot(322),imshow(uint8(img_gaussian)),title('高斯滤波后图像');
%subplot(323),imshow(uint8(img_grad)),title('梯度图像');
%subplot(324),imshow(uint8(img_nms)),title('非极大抑制后图像');
%subplot(325),imshow(img_threshold),title('处理后输出图像');

 

 

 

连接函数

function img_c = img_connect( low,x,y,img_c)
%貌似是利用区域增长的方法进行边缘连接，参考
%http://www.cnblogs.com/tiandsp/archive/2012/12/13/2817240.html
%写的，等看完区域增长回来再看
neighbour=[-1 -1;-1 0;-1 1;0 -1;0 1;1 -1;1 0;1 1];  %八连通搜寻
[m,n]=size(img_c);
for k=1:8
    xx=x+neighbour(k,1);
    yy=y+neighbour(k,2);
    if xx>=1&&xx<=m&&yy>=1&&yy<=n
        if img_c(xx,yy)>=low&&img_c(xx,yy)~=255
            img_c(xx,yy)=255;
            img_c=img_connect(low,xx,yy,img_c);
        end
    end
end

end