这段时间要做图像识别，首先肯定逃不过图像的边缘检测，这是基础。
边缘检测算法有很多，但是综合比较来看，canny算子的效果最好，所以这边就写一下opencv中cvcanny函数怎么使用，以及它的源码分析。
详细的步骤以及参数含义见这个博客 http://blog.csdn.net/poem_qianmo/article/details/25560901
这边我简单地写一下：
1、用高斯滤波器平滑图像（注意：cvCanny函数里面并没有这一步，所以使用之前要加上blur）。
2、用sobel算子来计算两个方向的梯度幅值。
3、对梯度幅值进行非极大值抑制 。
4、用双阈值算法检测和连接边缘。
下面是源代码：
void cvCanny( const CvArr* image, CvArr* edges, double threshold1,
double threshold2, int aperture_size )
{
cv::Mat src = cv::cvarrToMat(image), dst = cv::cvarrToMat(edges);
CV_Assert( src.size == dst.size && src.depth() == CV_8U && dst.type() == CV_8U );
cv::Canny(src, dst, threshold1, threshold2, aperture_size & 255,
(aperture_size & CV_CANNY_L2_GRADIENT) != 0);
}
这边先放一张程序中ring buffer的结构图，帮助更好地理解
#include "precomp.hpp"
void cv::Canny( InputArray _src, OutputArray _dst,//InputArray是引用类型
double low_thresh, double high_thresh,
int aperture_size, bool L2gradient )
{
Mat src = _src.getMat();//转换成mat形式处理
CV_Assert( src.depth() == CV_8U );
_dst.create(src.size(), CV_8U);
Mat dst = _dst.getMat();
//L2gradient默认为false，false时表示计算时用简便的||+||,ture时用根号下开方
if (!L2gradient && (aperture_size & CV_CANNY_L2_GRADIENT) == CV_CANNY_L2_GRADIENT)//aperture_size为-1时成立
{
//backward compatibility
aperture_size &= ~CV_CANNY_L2_GRADIENT;
L2gradient = true;
}
//aperture_size非-1，1,3,5,7退出，一般3为默认
if ((aperture_size & 1) == 0 || (aperture_size != -1 && (aperture_size < 3 || aperture_size > 7)))
CV_Error(CV_StsBadFlag, "");
#ifdef HAVE_TEGRA_OPTIMIZATION
if (tegra::canny(src, dst, low_thresh, high_thresh, aperture_size, L2gradient))
return;
#endif
const int cn = src.channels();//就当做单通道，这样思考起来比较方便
cv::Mat dx(src.rows, src.cols, CV_16SC(cn));//用于存储方向导数的矩阵
cv::Mat dy(src.rows, src.cols, CV_16SC(cn));
//aperture_size是窗口的大小
cv::Sobel(src, dx, CV_16S, 1, 0, aperture_size, 1, 0, cv::BORDER_REPLICATE);//对x方向求方向导数
cv::Sobel(src, dy, CV_16S, 0, 1, aperture_size, 1, 0, cv::BORDER_REPLICATE);//对y方向求方向导数
if (low_thresh > high_thresh)
std::swap(low_thresh, high_thresh);
if (L2gradient)//true时为平方运算，所以相应的阈值也要进行平方运算
{
low_thresh = std::min(32767.0, low_thresh);
high_thresh = std::min(32767.0, high_thresh);
if (low_thresh > 0) low_thresh *= low_thresh;
if (high_thresh > 0) high_thresh *= high_thresh;
}
int low = cvFloor(low_thresh);
int high = cvFloor(high_thresh);
//64位兼容方式编译 typedef _W64 int ptrdiff_t
ptrdiff_t mapstep = src.cols + 2;//跨度，+2是在左右各加一条边
//这个分配空间是 图像的大小（存放边缘信息） + 3个跨度大小的容量组成一个ringbuffer（用于重复存放三排梯度值）
//ring buffer 我的理解 优点：重复使用内存 ， 速度很快 具体的情况还是最好查一下
cv::AutoBuffer<uchar> buffer((src.cols+2)*(src.rows+2) + cn * mapstep * 3 * sizeof(int));
int* mag_buf[3];//定义指针数组
//uchar* 是操作符重载，返回了buffer的指针，int* 是强制转换为int类型进行处理
mag_buf[0] = (int*)(uchar*)buffer;
mag_buf[1] = mag_buf[0] + mapstep*cn;
mag_buf[2] = mag_buf[1] + mapstep*cn;
memset(mag_buf[0], 0, /* cn* */mapstep*sizeof(int));//ringbuffer第一排赋值为0
uchar* map = (uchar*)(mag_buf[2] + mapstep*cn);//map用来存储是否为边缘的信息
//分别给图像中最上面和最下面一行都赋值为1
memset(map, 1, mapstep);
memset(map + mapstep*(src.rows + 1), 1, mapstep);
int maxsize = std::max(1 << 10, src.cols * src.rows / 10);
std::vector<uchar*> stack(maxsize);//指针类型的向量
uchar **stack_top = &stack[0];
uchar **stack_bottom = &stack[0];
/* sector numbers
(Top-Left Origin)
1 2 3
* * *
* * *
0*******0
* * *
* * *
3 2 1
*/
//将图像中心点梯度方向近似为4个方向 0, 45, 90 及135，直接可以利用8邻域进行比较计算
//CANNY_PUSH(d) d表示的是一个地址 stack中存的是地址 将改地址的指向的内容赋值为2，表明是边缘,并将该地址压入栈中
#define CANNY_PUSH(d) *(d) = uchar(2), *stack_top++ = (d)
#define CANNY_POP(d) (d) = *--stack_top//弹出地址
// calculate magnitude and angle of gradient, perform non-maxima supression.
// fill the map with one of the following values:
// 0 - the pixel might belong to an edge
// 1 - the pixel can not belong to an edge
// 2 - the pixel does belong to an edge
//边缘信息只有3中，0,1,2
for (int i = 0; i <= src.rows; i++)
{
//i=0时，就第一次刚进来时，存在mag_buf[1]和 i>0时存在mag_buf[2]中,后面新的梯度幅度值都放到mag_buf[2]
//循环结束前，最后一步会使ring buffer顺序循环一次，使原来mag_buf[1]中的内容放到mag_buf[0]
//mag_buf[2]放到mag_buf[1]中，原来mag_buf[0]中的内容就被覆盖掉
int* _norm = mag_buf[(i > 0) + 1] + 1;//跳过第一列，指向原始图像每一行的第一个点
if (i < src.rows)
{
short* _dx = dx.ptr<short>(i);//指向第i行
short* _dy = dy.ptr<short>(i);
if (!L2gradient)
{
for (int j = 0; j < src.cols*cn; j++)
_norm[j] = std::abs(int(_dx[j])) + std::abs(int(_dy[j]));//计算第i行的梯度的幅度值
}
else
{
for (int j = 0; j < src.cols*cn; j++)
_norm[j] = int(_dx[j])*_dx[j] + int(_dy[j])*_dy[j];
}
if (cn > 1)//不管
{
for(int j = 0, jn = 0; j < src.cols; ++j, jn += cn)
{
int maxIdx = jn;
for(int k = 1; k < cn; ++k)
if(_norm[jn + k] > _norm[maxIdx]) maxIdx = jn + k;
_norm[j] = _norm[maxIdx];
_dx[j] = _dx[maxIdx];
_dy[j] = _dy[maxIdx];
}
}
_norm[-1] = _norm[src.cols] = 0;//第一列和最后一列不可能是边缘，梯度设为0
}
else
memset(_norm-1, 0, /* cn* */mapstep*sizeof(int));//i等于src.rows，也就是最后一行，都赋值为0，存在mag_buf[2]中
// at the very beginning we do not have a complete ring
// buffer of 3 magnitude rows for non-maxima suppression
//满足非极大值限制，只能推出该点可能为边缘点
//这里要满足两个条件，如果是梯度在邻域中是最大值，且大于high阈值，确定是边缘点，然后以此为中心需找邻域中满足低阈值的点
if (i == 0)
continue;
uchar* _map = map + mapstep*i + 1;//边缘信息指针指向当前行 _map是暂时值 存放当前行的边缘信息
_map[-1] = _map[src.cols] = 1;//第一列和最后一列不可能是边缘
int* _mag = mag_buf[1] + 1; // take the central row 存放当前行的梯度值
ptrdiff_t magstep1 = mag_buf[2] - mag_buf[1];//因为使用int为基本类型进行处理，所以magstep1为一行的跨度
ptrdiff_t magstep2 = mag_buf[0] - mag_buf[1];//负数 用于向上跳转一行
const short* _x = dx.ptr<short>(i-1);//x方向梯度值指针指向上一行（这边算角度为什么要指向上一行，不太明白。。。）
const short* _y = dy.ptr<short>(i-1);
if ((stack_top - stack_bottom) + src.cols > maxsize)//当存不下时，给stack扩容
{
int sz = (int)(stack_top - stack_bottom);
maxsize = maxsize * 3/2;
stack.resize(maxsize);
stack_bottom = &stack[0];
stack_top = stack_bottom + sz;
}
int prev_flag = 0;
for (int j = 0; j < src.cols; j++)
{
#define CANNY_SHIFT 15
const int TG22 = (int)(0.4142135623730950488016887242097*(1<<CANNY_SHIFT) + 0.5);//tan22.5 位作平移提高计算精度
int m = _mag[j];//_mag = mag_buf[1] + 1 当前点读出前面算的梯度值
if (m > low)//大于低阈值
{
int xs = _x[j];
int ys = _y[j];
int x = std::abs(xs);//当前点的
int y = std::abs(ys) << CANNY_SHIFT;
int tg22x = x * TG22;
if (y < tg22x)//当角度小于22.5度时，比较左右两个点的值
{
if (m > _mag[j-1] && m >= _mag[j+1]) goto __ocv_canny_push;
}
else
{
int tg67x = tg22x + (x << (CANNY_SHIFT+1));
if (y > tg67x)//当角度大于67.5度时，比较上下两个点的值
{
if (m > _mag[j+magstep2] && m >= _mag[j+magstep1]) goto __ocv_canny_push;
}
else
{
int s = (xs ^ ys) < 0 ? -1 : 1;//按位异或，用于判断符号是否相同，不同就为-1，比较对角线上两个点的值
if (m > _mag[j+magstep2-s] && m > _mag[j+magstep1+s]) goto __ocv_canny_push;
}
}
}
prev_flag = 0;//为1代表前一个像素点为边缘点，为0代表前一个点为非边缘点
_map[j] = uchar(1);//不满足上面任何一种梯度情况，表明不可能为边缘点
continue;
__ocv_canny_push:
//前一个点不是边缘点，并且当前点的值大于high阈值，并且正对上一行那个点也不是边缘点，那么该点为边缘点
//说白了就是领域最大值才有资格先成为边缘点
if (!prev_flag && m > high && _map[j-mapstep] != 2)
{
CANNY_PUSH(_map + j);//将该地址对应的值改为2，并且把地址压入栈中
prev_flag = 1;
}
else
_map[j] = 0;//只要不满足上面三个条件中的一个，只能说明可能是边缘点 ，所谓的非极大值抑制
}
// scroll the ring buffer
_mag = mag_buf[0];
mag_buf[0] = mag_buf[1];
mag_buf[1] = mag_buf[2];
mag_buf[2] = _mag;
}
//------------------------最大的for循环到这--------------------------
// now track the edges (hysteresis thresholding)
while (stack_top > stack_bottom)
{
uchar* m;
if ((stack_top - stack_bottom) + 8 > maxsize)//边缘点超过整幅图像的1/10
{
int sz = (int)(stack_top - stack_bottom);
maxsize = maxsize * 3/2;
stack.resize(maxsize);
stack_bottom = &stack[0];
stack_top = stack_bottom + sz;
}
CANNY_POP(m);//pop出边缘地址
//m周围8领域内的原来是0的点（可能是边缘点的点）改为边缘点
if (!m[-1]) CANNY_PUSH(m - 1);
if (!m[1]) CANNY_PUSH(m + 1);
if (!m[-mapstep-1]) CANNY_PUSH(m - mapstep - 1);
if (!m[-mapstep]) CANNY_PUSH(m - mapstep);
if (!m[-mapstep+1]) CANNY_PUSH(m - mapstep + 1);
if (!m[mapstep-1]) CANNY_PUSH(m + mapstep - 1);
if (!m[mapstep]) CANNY_PUSH(m + mapstep);
if (!m[mapstep+1]) CANNY_PUSH(m + mapstep + 1);
}
// the final pass, form the final image
const uchar* pmap = map + mapstep + 1;//从图像第二行开始
uchar* pdst = dst.ptr();
for (int i = 0; i < src.rows; i++, pmap += mapstep, pdst += dst.step)
{
for (int j = 0; j < src.cols; j++)
pdst[j] = (uchar)-(pmap[j] >> 1);//pmap中为2的，才赋值为1，0或1都变成0 （uchar）- 跟一个数字，这时（uchar）表示256 总体上说是一种二值化
}
}