一種改進的Canny算法研究

摘 要：針對傳統Canny邊緣檢查算法容易被噪聲影響，文中采用了Canny算法與形態學膨脹的方法結合來檢測目標的邊緣，選用MATLAB R2018a平臺將該改進算法與Canny算子和圖像形態學融合并且引入灰度值來確定高低閾值，在充分保證抗噪能力的基礎上，又增加了高低閾值的可靠性，改進的Canny算法與傳統Canny算法的實驗結果相比較，表明經過改進后的Canny算法在噪聲下的邊緣檢測的精度和準確率大大地提升了，更好地保留了圖像原始特征，提高了目標圖像識別的效率。

關鍵詞：機器視覺；Canny算法；形態學膨脹法；邊緣檢測；圖像處理

中圖分類號：TP391" 文獻標識碼：A

邊緣檢測的目的是檢測圖像中具有較為獨特的像素點，尋找出周圍像素點與自身像素點所對應的灰度值不同的點的集合，這些點就構成了所需要的圖像邊緣［1］。邊緣的獲取在視覺系統中至關重要［2］，對一幅圖片邊緣提取的效果直接影響到后續圖像處理中的擬合、分類和識別過程，邊緣檢測算法主要有Sobel、Robert、Canny等［3］。Sobel算法是機器人視覺和圖像處理中常用的一種邊緣檢測算法，此外，它還是在計算圖像的亮度函數灰度近似值常用到的離散差分算子［4］。Sobel算法具有平滑和低噪聲等特點，并且可以給出比較精準的有關邊緣定位的數據，但是其邊緣定位的準確性相對較低，Sobel算法是基于對上下相鄰像素點之間灰度級進行加權檢測邊緣，在邊緣達到極值。在檢測邊緣時，Robert算法是利用對角線上相鄰兩個像素差值來近似梯度幅度，以達到檢測目的局部差分算子［4］。與檢測圖像的傾斜邊緣相比，檢測圖像的垂直邊緣定位效果和更高定位精度具備更高的優勢，但難以抑制對噪聲的影響。因此，當圖像中存在大量噪聲時，定位精度降低。Canny邊緣檢測算子是于1986年John f.Canny提出的一個多級邊緣檢測算子［5］，他認為好的邊緣算法應該具備以下幾個方面特點：檢測要可靠、定位要精準、邊緣響應次數要降到最少。此算法的目標就是盡可能地去噪和降低噪聲對圖像檢測結果的影響得到平滑精準的邊緣輪廓。Sobel算法精度不夠高，Robert算法和Canny算法受噪聲干擾大，本文采用Canny算法和圖像形態學方法改進邊緣檢測，增加高低閾值的自適應性，提升檢測的準確度。

1 傳統的Canny算法

1.1 Canny算法簡介

此算法的目標就是盡可能地去噪和降低噪聲對圖像檢測結果的影響，消除噪聲采用二階高斯濾波器，利用其一階導數與原圖像進行卷積，便可得到平滑的圖像。高斯函數公式如下所示：

G（x，y）=12πσ2exp（-x2+y22σ2）（1）

f′（x，y）=G（x，y）*f（x，y）（2）

其中，G（x，y）為高斯濾波器，f（x，y）為原圖像，f′（x，y）為平滑后的圖像。在圖像平滑處理后需要計算其梯度幅值M和梯度方向θ。

M=G2x+G2y（3）

θ=arctanGyGx（4）

在梯度計算完成時，就可以基本上確定了提取的邊緣，但是邊緣存在模糊不清的現象，不能保證有一個準確的響應，所以要利用非最值抑制點對圖像進行處理，再利用雙閾值法，把檢測得到的圖像邊緣相互連接起來，雙閾值的方法就是使用高低閾值T1、T2，對產生的圖像進行分割，利用高閾值先得到一個邊緣圖像［6］，由于該區域采用的是高閾值，所以就有可出現圖像不連貫的問題，在此情況下，就要采用改進算法來獲得最符合要求的邊緣圖像。

1.2 Canny算法的缺陷

（1）Canny算法是一種基于高斯濾波的線性平滑濾波算法［8］，平滑參數δ的選取決定圖像的平滑程度。δ參數較大時，降噪效果提高，但圖像的邊緣也會隨之變得模糊，增加錯檢率。δ參數變小時，對噪聲的抑制效果降低，同時也會降低邊緣的定位精度在最后得到的邊緣圖像中，可能會損失掉一些重要的邊緣［89］。

（2）由于圖像噪聲和顏色的變化，依然留存著一些邊緣像素。為了處理這些雜亂響應，有必要保留具有高梯度值的邊緣像素，對邊緣像素通過弱梯度值進行濾波也是有必要的［10］。該步驟可以通過雙閾值檢測（即選擇高低閾值）來實現［1112］。假設將邊界的像素梯度的值設置的比高閾值更大，高閾值為強邊界像素；邊緣像素的梯度值介于高低閾值之間，為弱邊緣像素；邊緣像素梯度值比低閾值更小，則該像素被抑制。也就是說高閾值設置得較低，無法有效地去除虛假邊緣，過高雖然可以濾除多數的假邊緣，但也會使邊緣丟失更多的信息。低閾值設置得較低雖然能夠連接較多的邊緣，但也會產生較多的虛假邊緣，過高則會使圖像包含的邊緣信息減少，造成圖像邊緣的不連續，同時一組固定的參數也很難滿足所有的圖像，這也是傳統Canny算子中的一種不足。

2 改進的Canny算法

2.1 形態學膨脹法

圖像的形態學操作是根據數學形態學（Mathematical Morphology）的集合理論方法為二值圖像開發的一種處理圖像的方法。通常圖像形態學處理作為相鄰域操作的一種形式出現，圖像的形態學操作是基于通過將結構元素應用于輸入圖像而產生輸出圖像形狀的一系列處理圖像的操作。

為了彌補Canny固有缺陷，本文中Canny算法結合形態學膨脹方法，求解局部最大值，膨脹運算對圖像進行卷積，來填補目標區域中的空洞和小顆粒噪聲。

dst（x，y）=max（x'，y'）：element（x'，y'）≠0src（x+x'，y+y'）（5）

使用“核”B膨脹A，B為模板，A為圖像中的一個區域，將B的原點轉換為圖像的位置（x，y）。如果B在圖像像素（x，y）和A的交點處不為空，這意味著圖像A中元素在B中的位置對應的值中至少有一個值為1，則輸出圖像中對應的像素（x，y）的值為1；否則，將為其分配值0。

2.2 優化Canny算法

傳統的Canny算法中，使用2×2梯度計算模式來計算環境中最終差異的梯度大小。此方法以精細像素為目標，并具有減少低雜色的能力。但是當圖像變得復雜時，會出現明顯的錯誤，因為所使用的圖案旨在生成近似值。當使用這些模式的效率降低時，生成的梯度幅度將出現重大誤差，不會有較好的效果。由于原算法在梯度計算存在缺陷，本文采用了Sobel相似算法的模版如下：

Gx=+10-1

+20-2

+10-1*A（6）

Gy=+1+2+1

000

-1-2-1*A（7）

所對應的具體計算過程：

Gx=［f（x+1，y-1）+2*f（x+1，y）+f（x+1，y+1）］-

［f（x-1，y-1）+2*f（x-1，y）+f（x-1，y+1）］（8）

Gy=f（x-1，y-1）

+2*f（x，y-1）

+f（x+1，y-1）-f（x-1，y+1）

+2*f（x，y+1）

+2*f（x，y+1）

+f（x+1，y+1）（9）

其中，G=G2x+G2y，θ=arctanGyGx，Gx為水平方向一階偏導數，Gy為垂直方向一階偏導數，G為該像素點的梯度值，θ為梯度方向。該模板較傳統模板的抗噪性能更優。

2.3 結合膨脹算法的優化Canny邊緣檢測

基于前面對膨脹算法的分析，本文提出先用圖像形態學膨脹法增強圖像邊緣，再結合優化的Canny算法進行邊緣檢測。改進的Canny算法流程圖如圖3所示。

其中對Canny算法做出了部分改進，在原算法的基礎上結合了形態學膨脹運算，充分保留了目標的邊緣部分，從而可提高原Canny算法邊緣提取的精度。

3 實驗與分析

為驗證文中采用改進算法的實際效果，體現該算法良好的抗噪能力，選用MATLAB R2018a平臺將該改進算法與Canny算子和圖像形態學融合（以下簡稱“融合法”）的邊緣檢測方法以及傳統的Canny算法模型進行對比。圖4是對蘋果加入0.03高斯噪聲、標準差值為0.5的椒鹽噪聲和0.01高斯噪聲的傳統Canny算法、膨脹效果圖和文中經過改進的Canny邊緣檢測數據對比的示意圖。

從圖4的仿真結果，文中算法的改進具有更好的抗噪性，在低噪聲環境下融合算法能較完整提取輪廓和細節，但在混合高噪聲環境下融合算法對局部噪聲和局部模糊圖像的融合效果會出現重邊和殘影。傳統的Canny算法雖然在高斯噪聲下也能識別出蘋果的輪廓，但是該算法識別出的蘋果輪廓有少許重邊緣，而改進后的Canny算法得到的邊緣檢測圖像輪廓完整而且在混合噪聲下也更加清晰，證明了改進后的算法具有良好的抗噪性。

4 結論

本文從理論角度入手，在深入研究傳統Canny邊緣檢測算子的基礎上，結合形態學膨脹方法檢測目標邊緣，為了驗證改進的Canny算法良好的抗噪性，在噪聲環境下進行實驗和仿真，通過與融合算法和經典Canny算法的實驗效果對比，改進的Canny算法取得了良好的抗噪表現，在自適應的基礎上抗噪性更優，可以應用于工業機器人視覺中，具有良好的使用價值。

參考文獻：

［1］鄭子華，陳家禎，葉鋒.基于曲率估計的Canny邊緣檢測算法［J］.計算機系統應用，2017，26（12）：148154.

［2］童勝杰，江明，焦傳佳.一種改進工件邊緣檢測方法的研究［J］.電子測量與儀器學報，2021，35（1）：128134.

［3］徐武，張強，王欣達，等.基于改進Canny算子的圖像邊緣檢測方法［J］.激光雜志，2022，43（4）：103108.

［4］杜緒偉，陳東，馬兆昆，等.基于Canny算子的改進圖像邊緣檢測算法［J］.計算機與數字工程，2022，50（2）：410413+457.

［5］王鑫剛，田軍委，于亞琳，等.改進Canny算法的紅外人臉圖像邊緣輪廓提取［J］.應用光學，2023，44（1）：6170.

［6］唐守鋒，翟少奇，仝光明，等.改進Canny算子與形態學融合的邊緣檢測［J］.計算機工程與設計，2023，44（1）：224231.

［7］LV Dong，PAN Shenghui.ImprovedCannyedgedetection algorithmbasedondeeplearning［J］.ScientificJournal ofIntelligentSystemsResearch，2021，3（2）：114115.

［8］張潔玉.基于圖像分塊的局部閾值二值化方法［J］.計算機應用，2017，37（03）：827831.

［9］王詩宇，林滸，孫一蘭，等.一種改進的Canny算子在機器人視覺系統中的應用［J］.計算機系統應用，2017，26（3）：144149.

［10］胡松，黃致遠，鄧磊，等.Canny算子在圖像優化處理中的優化研究［J］.計算機技術與發展，2020，30（10）：0611.

［11］WOO S，PARK J，LEE J Y，et al.CBAM：convolutional block attention module［C］∥European Conference on Computer Vision.Cham：Springer，2018：319.

［12］RONG W，LI Z，ZHANG W，et al.An improved Canny edge detection algorithm［C］.2014 IEEE international conference on mechatronics and automation.Beijing：IEEE，2014：577582.

［13］李慶忠，劉洋.基于改進Canny算子的圖像弱邊緣檢測算法［J］.計算機應用研究，2020，37（S1）：361363.

作者簡介：朱林楠（1995— ），女，漢族，遼寧葫蘆島人，碩士研究生，助教，研究方向：人工智能、圖像處理。