基于自适应阈值的改进Canny边缘检测方法

doi:10.3724/SP.J.1087.2012.02296

计算机应用 ›› 2012, Vol. 32 ›› Issue (08): 2296-2298.DOI: 10.3724/SP.J.1087.2012.02296

基于自适应阈值的改进Canny边缘检测方法

张帆,彭中伟,蒙水金

湖南大学电气与信息工程学院，长沙 410082

收稿日期:2012-02-13 修回日期:2012-03-08 发布日期:2012-08-28 出版日期:2012-08-01
通讯作者: 彭中伟
作者简介:张帆(1963-)，男，湖南长沙人，副教授，主要研究方向：智能信息处理、智能控制;
彭中伟(1987-)，男，湖南衡阳人，硕士研究生，主要研究方向：数字图像处理;
蒙水金(1985-)，男，广西桂林人，硕士研究生，主要研究方向：数字图像处理。
基金资助:
湖南省自然科学基金资助项目(2007JTl024)

Improved Canny edge detection method based on self-adaptive threshold

ZHANG Fan,PENG Zhong-wei,MENG Shui-jin

College of Electrical and Information Engineering, Hunan University, Changsha Hunan 410082, China

Received:2012-02-13 Revised:2012-03-08 Online:2012-08-28 Published:2012-08-01
Contact: PENG Zhong-wei

摘要/Abstract

摘要： 传统的Canny边缘检测算子采用全局阈值选取方法，当图像的背景和目标灰度变化比较大时，采用全局阈值法将丢失一些局部边缘信息。针对该问题，提出了一种自适应求取动态阈值的改进Canny边缘检测方法。该方法利用图像的梯度方差作为判据对图像进行分块，继而对各子块运用最大类间方差法求得相应的阈值，并通过插值得到阈值矩阵，最后结合改进的边缘连接法对图像进行边缘检测。实验结果表明，该算法在具有良好的抗噪性能同时，具有很好的检测精度。

关键词: 边缘检测, Canny算子, 图像分块, 自适应阈值, 最大类间方差法, 边缘连接

Abstract: The traditional Canny operator uses the global threshold method, but when the gray of the input image's background and foreground change largely, the global threshold method will lose some weak edge. Concerning this issue, an improved adaptive Canny operator was put forward. Firstly, the image was divided into blocks according to the gradient variance. Secondly, the threshold of the sub blocks was obtained by Otsu method. Then, the threshold matrix was got by interpolation. Finally, an improved edge connection algorithm was proposed to extract the edge with the threshold matrix. The experimental results show that the improved Canny algorithm has not only a good anti-noise function, but also a very good precision.

Key words: edge detection, Canny operator, image partition, adaptive threshold, Otsu method, edge connection

中图分类号:

TP391.41

张帆彭中伟蒙水金. 基于自适应阈值的改进Canny边缘检测方法[J]. 计算机应用, 2012, 32(08): 2296-2298.

ZHANG Fan PENG Zhong-wei MENG Shui-jin. Improved Canny edge detection method based on self-adaptive threshold[J]. Journal of Computer Applications, 2012, 32(08): 2296-2298.

参考文献

[1]厉丹，钱建生，芦楠楠，等.图像边缘检测技术的改进[J].计算机工程与应用，2010，46(18)：164-166． [2]SONKA M, HLAVAC V, BOYLE R. 图像处理、分析与机器视觉[M].艾海舟,武勃,译.2版.北京：人民邮电出版社，2002． [3]CANNY J. A computational approach to edge detection[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，1986,8(6):679-698． [4]余洪山，王耀南. 一种基于树结构的立体图像特征提取算法[J].JOCA, 2004，24(10)：78-81. [5]PANETTA K A, WHARTON E J, AGAIAN S S. Logarithmic edge detection with applications[J].Journal of Computers, 2008, 3(9): 3346-3351. [6]ZHANG Y, ROCKETT P I. The Bayesian operating point of the Canny edge detector [J].IEEE Transactions on Image Processing, 2006, 15(11): 3409-3416. [7]王植，贺赛先.一种基于Canny理论的自适应边缘检测方法[J].中国图象图形学报,2004,9(8)：957-962． [8]雒涛，郑喜凤，丁铁夫.改进的自适应阈值Canny边缘检测[J].光电工程，2009,36(11)：106-111. [9]孙春凤，袁峰，丁振良. 一种新的边缘保持局部自适应图像插值算法[J].仪器仪表学报,2010，31(10)：2279-2284． [10]OTSU N. A threshold selection method from gray level histogram [J].IEEE Transactions on Systems, Man and Cybernetics,1979, 9(1): 62-66. [11]贾云德.机器视觉［M］．北京：科学出版社,2002：556-560． [12]米林，马亚洲，郝建军,等.一种基于Canny理论的边缘提取改进算法[J].重庆理工大学学报:自然科学版,2010,24(5):54-58. [13]王佳，李波，徐其志．边缘检测中局部区域的动态阈值选取方法[J].计算机应用研究,2010,27(2):772-774. [14]余松煜，周源华，张瑞．数字图像处理[M].上海：上海交通大学出版社，2007：360-362. [15]马保国，乔玲玲，贾寅波.基于局部自适应阈值的细胞图像分割方法[J].计算机应用研究,2009,26(2):755-756. [16]江泽涛，朱颖，赵荣椿,等. 一种基于插值的图像分割方法[J].计算机工程与应用,2005,41(7)：47-48． [17]DESTREMPES F, MIGNOTTE M. A statistical model for contours in images [J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2004, 26(5):626-638. [18]宋莹，陈科，林江莉,等.基于图像分块的边缘检测算法[J].计算机工程,2010，36(14)：196-200．

基于自适应阈值的改进Canny边缘检测方法

Improved Canny edge detection method based on self-adaptive threshold

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

[1]	孔哲, 李寒, 甘少伟, 孔明茹, 何冰涛, 郭子钰, 金督程, 邱兆文. 基于非对称多解码器和注意力模块的三维肾脏影像结构分割模型[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2216-2224.
[2]	袁卿宇, 高铁杠. 基于像素预测和秘密图像共享的可逆信息隐藏[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 780-787.
[3]	王思鹏, 杜昌平, 叶志贤, 宋广华, 郑耀. 基于多步神经网络观测器的扑翼飞行器缓变故障检测[J]. 计算机应用, 2020, 40(8): 2449-2454.
[4]	宋杰, 于裕, 骆起峰. 基于RCF的跨层融合特征的边缘检测[J]. 计算机应用, 2020, 40(7): 2053-2058.
[5]	张皓然, 王学渊, 李小霞. 基于自适应阈值活动语音检测和最小均方误差对数谱幅度估计的低信噪比降噪算法[J]. 计算机应用, 2020, 40(6): 1763-1768.
[6]	王忠锋, 徐志远, 宋纯贺, 张宏宇, 蔡颖凯. 基于梯度的深度网络剪枝算法[J]. 计算机应用, 2020, 40(5): 1253-1259.
[7]	滕旭, 张晖, 杨春明, 赵旭剑, 李波. 基于循环一致性对抗网络的数码迷彩伪装生成方法[J]. 《计算机应用》唯一官方网站, 2020, 40(2): 566-570.
[8]	李翠锦, 瞿中. 基于深度学习的图像边缘检测算法综述[J]. 《计算机应用》唯一官方网站, 2020, 40(11): 3280-3288.
[9]	王治忠, 李泓毅, 韩闯. 基于香农能量与自适应阈值的心电QRS复合波检测算法[J]. 计算机应用, 2020, 40(1): 304-310.
[10]	景年昭, 杨维. 基于RCF的精细边缘检测模型[J]. 计算机应用, 2019, 39(9): 2535-2540.
[11]	宋小娜, 芮挺, 王新晴. 结合语义边界信息的道路环境语义分割方法[J]. 计算机应用, 2019, 39(9): 2505-2510.
[12]	丁莲静, 刘光帅, 李旭瑞, 陈晓文. 加权信息熵与增强局部二值模式结合的人脸识别[J]. 计算机应用, 2019, 39(8): 2210-2216.
[13]	付久鹏, 曾国辉, 黄勃, 方志军. 基于双向快速探索随机树的狭窄通道路径规划[J]. 计算机应用, 2019, 39(10): 2865-2869.
[14]	张永宏, 夏广浩, 阚希, 何静, 葛涛涛, 王剑庚. 基于全卷积神经网络的多源高分辨率遥感道路提取[J]. 计算机应用, 2018, 38(7): 2070-2075.
[15]	赖传滨, 韩越兴, 顾辉, 王冰. 基于深度学习的虚拟边界检测方法[J]. 计算机应用, 2018, 38(11): 3211-3215.