一：历史

Canny边缘检测算法是1986年有John F. Canny开发出来一种基于图像梯度计算的边缘

检测算法，同时Canny本人对计算图像边缘提取学科的发展也是做出了很多的贡献。尽

管至今已经许多年过去，但是该算法仍然是图像边缘检测方法经典算法之一。

二：Canny边缘检测算法

经典的Canny边缘检测算法通常都是从高斯模糊开始，到基于双阈值实现边缘连接结束

。但是在实际工程应用中，考虑到输入图像都是彩色图像，最终边缘连接之后的图像要

二值化输出显示，所以完整的Canny边缘检测算法实现步骤如下：

1.      彩色图像转换为灰度图像

2.      对图像进行高斯模糊

3.      计算图像梯度，根据梯度计算图像边缘幅值与角度

4.      非最大信号压制处理（边缘细化）

5.      双阈值边缘连接处理

6.      二值化图像输出结果

三：各步详解与代码实现

1.      彩色图像转灰度图像

根据彩色图像RGB转灰度公式：gray  =  R * 0.299 + G * 0.587 + B * 0.114

将彩色图像中每个RGB像素转为灰度值的代码如下：

[java] view plaincopy

1. <span style="font-size:18px;">int gray = (int) (0.299 * tr + 0.587 * tg + 0.114 * tb);</span>

2.      对图像进行高斯模糊

图像高斯模糊时，首先要根据输入参数确定高斯方差与窗口大小，这里我设置默认方

差值窗口大小为16x16，根据这两个参数生成高斯卷积核算子的代码如下：

[java] view plaincopy

1. <span style="font-size:18px;">      float kernel[][] = new float[gaussianKernelWidth][gaussianKernelWidth];
2. for(int x=0; x<gaussianKernelWidth; x++)
3. {
4. for(int y=0; y<gaussianKernelWidth; y++)
5. {
6. kernel[x][y] = gaussian(x, y, gaussianKernelRadius);
7. }
8. }</span>

获取了高斯卷积算子之后，我们就可以对图像高斯卷积模糊，关于高斯图像模糊更详

细的解释可以参见这里：http://blog.csdn.net/jia20003/article/details/7234741实现

图像高斯卷积模糊的代码如下：

[java] view plaincopy

1. <span style="font-size:18px;">// 高斯模糊 -灰度图像
2. int krr = (int)gaussianKernelRadius;
3. for (int row = 0; row < height; row++) {
4. for (int col = 0; col < width; col++) {
5. index = row * width + col;
6. double weightSum = 0.0;
7. double redSum = 0;
8. for(int subRow=-krr; subRow<=krr; subRow++)
9. {
10. int nrow = row + subRow;
11. if(nrow >= height || nrow < 0)
12. {
13. nrow = 0;
14. }
15. for(int subCol=-krr; subCol<=krr; subCol++)
16. {
17. int ncol = col + subCol;
18. if(ncol >= width || ncol <=0)
19. {
20. ncol = 0;
21. }
22. int index2 = nrow * width + ncol;
23. int tr1 = (inPixels[index2] >> 16) & 0xff;
24. redSum += tr1*kernel[subRow+krr][subCol+krr];
25. weightSum += kernel[subRow+krr][subCol+krr];
26. }
27. }
28. int gray = (int)(redSum / weightSum);
29. outPixels[index] = gray;
30. }
31. }</span>

3.      计算图像X方向与Y方向梯度，根据梯度计算图像边缘幅值与角度大小

高斯模糊的目的主要为了整体降低图像噪声，目的是为了更准确计算图像梯度及边缘

幅值。计算图像梯度可以选择算子有Robot算子、Sobel算子、Prewitt算子等。关于

图像梯度计算更多的解释可以看这里：

http://blog.csdn.net/jia20003/article/details/7664777。

这里采用更加简单明了的2x2的算子，其数学表达如下：

[java] view plaincopy

1. <span style="font-size:18px;">// 计算梯度-gradient, X放与Y方向
2. data = new float[width * height];
3. magnitudes = new float[width * height];
4. for (int row = 0; row < height; row++) {
5. for (int col = 0; col < width; col++) {
6. index = row * width + col;
7. // 计算X方向梯度
8. float xg = (getPixel(outPixels, width, height, col, row+1) -
9. getPixel(outPixels, width, height, col, row) +
10. getPixel(outPixels, width, height, col+1, row+1) -
11. getPixel(outPixels, width, height, col+1, row))/2.0f;
12. float yg = (getPixel(outPixels, width, height, col, row)-
13. getPixel(outPixels, width, height, col+1, row) +
14. getPixel(outPixels, width, height, col, row+1) -
15. getPixel(outPixels, width, height, col+1, row+1))/2.0f;
16. // 计算振幅与角度
17. data[index] = hypot(xg, yg);
18. if(xg == 0)
19. {
20. if(yg > 0)
21. {
22. magnitudes[index]=90;
23. }
24. if(yg < 0)
25. {
26. magnitudes[index]=-90;
27. }
28. }
29. else if(yg == 0)
30. {
31. magnitudes[index]=0;
32. }
33. else
34. {
35. magnitudes[index] = (float)((Math.atan(yg/xg) * 180)/Math.PI);
36. }
37. // make it 0 ~ 180
38. magnitudes[index] += 90;
39. }
40. }</span>

在获取了图像每个像素的边缘幅值与角度之后

4.      非最大信号压制

信号压制本来是数字信号处理中经常用的，这里的非最大信号压制主要目的是实现边

缘细化，通过该步处理边缘像素进一步减少。非最大信号压制主要思想是假设3x3的

像素区域，中心像素P(x,y) 根据上一步中计算得到边缘角度值angle，可以将角度分

为四个离散值0、45、90、135分类依据如下：

其中黄色区域取值范围为0~22.5 与157.5～180

绿色区域取值范围为22.5 ~ 67.5

蓝色区域取值范围为67.5~112.5

红色区域取值范围为112.5~157.5

分别表示上述四个离散角度的取值范围。得到角度之后，比较中心像素角度上相邻

两个像素，如果中心像素小于其中任意一个，则舍弃该边缘像素点，否则保留。一

个简单的例子如下：

);