2.2 Canny detection

1、思路 观察哪些是边？ 边和非边的区别是什么？ 边是图像亮度变化很大的地方 也就是要找在某个方向是变化率很大的地方 衡量变化率的参数----》求导，绝对值越大，变化率越大

但是图像是离散的怎么办（离散不连续，无法求导） 只能算近似，差商作为导数的近似值 思考用sobel（为什么是2，其实都可以，只是为了凸显中间，中间越近，影响越大，权值设置）

用sobel核对原图进行卷积 相当于竖向求导，谁的导数大，就可能是边

Gx是原始图片竖向导数，Gy是原始图片横向导数 梯度的幅值：衡量变化率的大小 梯度的方向θ：反正切

为什么要求这两个？ 边是变化率比较大的地方，梯度的幅值是衡量变化率大小

梯度的方向呢？ 要一个二值图，监测边缘大小，边可能很细很细，可能细到只有一个像素点，为了非常非常准确的找到边的位置，希望有一个梯度方向的角度

那么什么是准确的位置？ 在这条的梯度方向，变化率最大，也就是说这是极大值的位子，这才是准确的边缘位置 希望在这个梯度方向比较，是不是极大值，如果是才保留，找的更加准确，所以需要梯度的方向θ

非极大值抑制

阈值化 可能还会有灰灰的点保留（可能是该方向最大的） 需要再进行阈值化 如果灰度小于门槛的值，全部置为0，去掉；反之保留

留下了断断续续的点（边 怎么办 连起来！ 双阈值 梯度幅值大于高阈值的肯定是边 梯度幅值小于低阈值的肯定不是边

边的连接： 遍历所有的一定是边的点， 如果八领域内，存在灰度值在minVal和maxVal中间的点

那么认为 这个点也是边，连接起来 结束 （代码上可以用栈完成）

Canny detection算法步骤

1. 用高斯的导数过滤图像 2. 找到梯度的大小和方向 3. 非最大限度的压制。 - Thin wide “ridges” down to single pixel width 4. 连接和阈值处理（hysteresis）。 - 定义两个阈值：低和高 使用高阈值来找出强边缘线，使用低阈值来延续它们。（把有连接关系的边找回来）	1. Filter image with derivative of Gaussian 2. Find magnitude and orientation of gradient 3. Non-maximum suppression: • Thin wide “ridges” down to single pixel width 4. Linking and thresholding (hysteresis): • Define two thresholds: low and high • Use the high threshold to start edge curves and the low threshold to continue them

Canny detection步骤 1.去噪（Noise reduction）：用高斯滤波器减少图像中的噪声 2.梯度计算（Gradient computation）：计算每个像素的梯度大小和方向（可以用sobel算子） 3.非极大值抑制（Non-maximum suppression）：抑制不属于边缘的像素（将每个像素的大小与其八领域内的像素大小进行对比，如果是局部最大值，就保留，反之置为0） 4.双重阈值处理（Double thresholding）：设置两个阈值，高阈值和低阈值。如果像素的梯度大小高于高阈值，则认为是强边缘，如果像素梯度大小小于低阈值，则置为0。如果像素梯度大小介于二者中间，则认为是弱边缘 5.连接边缘（Edge tracking by hysteresis）：遍历每一个强边缘，将其八领域内的弱边缘与之连接，形成一组连续的曲线

Canny边缘检测被认为是最优的，因为它被设计为最小化检测到的假边缘的数量，同时最大化检测到的真边缘的数量。它通过使用高斯平滑、梯度计算、非最大抑制和迟滞阈值的组合来实现这一点。这些步骤共同作用于抑制噪声和像素强度的微小变化，同时保留图像中的强边缘。