摘 要：針對傳統(tǒng)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(tài)學膨脹的方法結(jié)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(tài)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(tǒng)Canny算法的實驗結(jié)果相比較，表明經(jīng)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(guān)鍵詞：機器視覺；Canny算法；形態(tài)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(gòu)成了所需要的圖像邊緣［1］。邊緣的獲取在視覺系統(tǒng)中至關(guān)重要［2］，對一幅圖片邊緣提取的效果直接影響到后續(xù)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(shù)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(guān)邊緣定位的數(shù)據(jù)，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(quán)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(yōu)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(shù)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(jié)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(tài)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(tǒng)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(jié)果的影響，消除噪聲采用二階高斯濾波器，利用其一階導數(shù)與原圖像進行卷積，便可得到平滑的圖像。高斯函數(shù)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(xiàn)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(chǎn)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(qū)域采用的是高閾值，所以就有可出現(xiàn)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(shù)δ的選取決定圖像的平滑程度。δ參數(shù)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(shù)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(xiàn)［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(shù)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(chǎn)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(xù)，同時一組固定的參數(shù)也很難滿足所有的圖像，這也是傳統(tǒng)Canny算子中的一種不足。

2 改進的Canny算法

2.1 形態(tài)學膨脹法

圖像的形態(tài)學操作是根據(jù)數(shù)學形態(tài)學（Mathematical Morphology）的集合理論方法為二值圖像開發(fā)的一種處理圖像的方法。通常圖像形態(tài)學處理作為相鄰域操作的一種形式出現(xiàn)，圖像的形態(tài)學操作是基于通過將結(jié)構(gòu)元素應用于輸入圖像而產(chǎn)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(jié)合形態(tài)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(qū)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(qū)域，將B的原點轉(zhuǎn)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(yōu)化Canny算法

傳統(tǒng)的Canny算法中，使用2×2梯度計算模式來計算環(huán)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(xiàn)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(xiàn)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(shù)，Gy為垂直方向一階偏導數(shù)，G為該像素點的梯度值，θ為梯度方向。該模板較傳統(tǒng)模板的抗噪性能更優(yōu)。

2.3 結(jié)合膨脹算法的優(yōu)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(tài)學膨脹法增強圖像邊緣，再結(jié)合優(yōu)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(jié)合了形態(tài)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(xiàn)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(tài)學融合（以下簡稱“融合法”）的邊緣檢測方法以及傳統(tǒng)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(tǒng)Canny算法、膨脹效果圖和文中經(jīng)過改進的Canny邊緣檢測數(shù)據(jù)對比的示意圖。

從圖4的仿真結(jié)果，文中算法的改進具有更好的抗噪性，在低噪聲環(huán)境下融合算法能較完整提取輪廓和細節(jié)，但在混合高噪聲環(huán)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(xiàn)重邊和殘影。傳統(tǒng)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(jié)論

本文從理論角度入手，在深入研究傳統(tǒng)Canny邊緣檢測算子的基礎上，結(jié)合形態(tài)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(huán)境下進行實驗和仿真，通過與融合算法和經(jīng)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(xiàn)，在自適應的基礎上抗噪性更優(yōu)，可以應用于工業(yè)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(tǒng)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(shù)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(tài)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(tǒng)中的應用［J］.計算機系統(tǒng)應用，2017，26（3）：144149.

［10］胡松，黃致遠，鄧磊，等.Canny算子在圖像優(yōu)化處理中的優(yōu)化研究［J］.計算機技術(shù)與發(fā)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。