### 手动实现Canny边缘检测算法 Canny 边缘检测是一种广泛使用的图像处理技术，用于识别图像中的边界。以下是基于 C++ 和 OpenCV 的方法来手动实现 Canny 边缘检测的核心步骤。 #### 高斯模糊 (Gaussian Blur) 为了减少噪声并平滑图像，在应用梯度计算之前通常会先对输入图像进行高斯滤波。 ```cpp cv::Mat gaussianBlur(const cv::Mat& input, int kernelSize, double sigmaX) { cv::Mat blurred; cv::GaussianBlur(input, blurred, cv::Size(kernelSize, kernelSize), sigmaX); return blurred; } ``` 此函数通过 `cv::GaussianBlur` 方法实现了高斯模糊操作[^1]。 --- #### 计算梯度幅值和方向 利用 Sobel 运算符分别沿 X 轴和 Y 轴计算梯度分量，并进一步求得梯度的大小和角度。 ```cpp std::pair<cv::Mat, cv::Mat> computeGradients(const cv::Mat& input) { cv::Mat grad_x, grad_y; cv::Sobel(input, grad_x, CV_32F, 1, 0); // Gradient along the x-axis cv::Sobel(input, grad_y, CV_32F, 0, 1); // Gradient along the y-axis cv::Mat magnitude, angle; cv::cartToPolar(grad_x, grad_y, magnitude, angle); return {magnitude, angle}; } ``` 上述代码片段展示了如何使用 `cv::Sobel` 函数获取水平和垂直方向上的梯度信息，并将其转换为极坐标形式以获得幅度和方向[^4]。 --- #### 抑制非极大值 (Non-Maximum Suppression) 该过程旨在保留局部最大响应点作为候选边缘像素。 ```cpp cv::Mat nonMaxSuppression(const cv::Mat& magnitude, const cv::Mat& angles) { cv::Mat suppressed = cv::Mat::zeros(magnitude.size(), CV_8U); for(int i = 1; i < magnitude.rows - 1; ++i){ for(int j = 1; j < magnitude.cols - 1; ++j){ float angle = angles.at<float>(i,j); if((angle >= 0 && angle < 22.5) || (angle >= 157.5 && angle <= 202.5)){ if( (magnitude.at<float>(i,j) > magnitude.at<float>(i,j+1)) && (magnitude.at<float>(i,j) > magnitude.at<float>(i,j-1))){ suppressed.at<uchar>(i,j) = static_cast<uchar>(magnitude.at<float>(i,j)); } }else if(...){ /* Handle other cases */ } } } return suppressed; } ``` 这里提供了部分逻辑框架；完整的条件分支需覆盖所有可能的角度范围。 --- #### 双阈值检测与滞后连接 (Double Threshold & Hysteresis Tracking) 最后一步涉及设定高低两个阈值筛选潜在边线，并采用递归方式链接弱边缘至强边缘形成连续轮廓。 ```cpp void hysteresisThreshold(cv::Mat& edges, float lowThresh, float highThresh) { std::vector<std::tuple<int,int>> strongEdges; for(int row=0;row<edges.rows;++row){ uchar* ptrRow = edges.ptr<uchar>(row); for(int col=0;col<edges.cols;++col){ if(ptrRow[col]>highThresh){ strongEdges.emplace_back(row,col); ptrRow[col]=255;//Mark as strong edge. } else if(ptrRow[col]<lowThresshold){ ptrRow[col]=0;//Eliminate weak ones below lower bound immediately. } } } while(!strongEdges.empty()){ auto [r,c]=strongEdges.back(); strongEdges.pop_back(); exploreNeighbors(edges,r,c,lowThresh);//Recursively mark connected components above threshold. } } bool exploreNeighbors(cv::Mat& img,uint r,uint c,float minVal){ bool found=false; uint rows=img.rows; uint cols=img.cols; for(uint dr=-1;dr<=1&&!(found=true);++dr){ for(uint dc=-1;dc<=1&&!found;++dc){ if(dr==0 && dc==0) continue; uint nr=r+dr; uint nc=c+dc; if(nr>=rows||nc>=cols||nr<0||nc<0)continue; uchar val=img.at<uchar>(nr,nc); if(val!=0&&(val>=minVal)){ img.at<uchar>(nr,nc)=255; found|=exploreNeighbors(img,nr,nc,minVal); } } } return found; } ``` 以上伪码描述了一个简单的双阈值机制以及后续追踪流程。 --- ### 总结 综上所述，可以按照如下顺序完成整个工作流： 1. 对原始灰度图施加适当参数下的高斯卷积核； 2. 使用差分近似法提取各向异性导数特征； 3. 应用非最大化抑制策略精炼初步结果集； 4. 借助动态规划思想构建最终连贯线条结构。 尽管如此，实际开发过程中仍可能存在细微差异影响输出效果[^2]。