canny边缘检测算子的c源代码-[转载]

几个常用的边缘检测算子中，canny代码实现简单。

基本代码如下：

void CreatGauss(double sigma, double **pdKernel, int *pnWidowSize); 

void GaussianSmooth(SIZE sz, LPBYTE pGray, LPBYTE pResult, double sigma); 

void Grad(SIZE sz, LPBYTE pGray, int *pGradX, int *pGradY, int *pMag); 

void NonmaxSuppress(int *pMag, int *pGradX, int *pGradY, SIZE sz, LPBYTE pNSRst); 

void EstimateThreshold(int *pMag, SIZE sz, int *pThrHigh, int *pThrLow, LPBYTE pGray, 
double dRatHigh, double dRatLow); 

void Hysteresis(int *pMag, SIZE sz, double dRatLow, double dRatHigh, LPBYTE pResult); 

void TraceEdge(int y, int x, int nThrLow, LPBYTE pResult, int *pMag, SIZE sz); 

void Canny(LPBYTE pGray, SIZE sz, double sigma, double dRatLow, 
double dRatHigh, LPBYTE pResult); 

#include "afx.h" 
#include "math.h" 
#include "canny.h" 

// 一维高斯分布函数，用于平滑函数中生成的高斯滤波系数 
void CreatGauss(double sigma, double **pdKernel, int *pnWidowSize) 
{ 

LONG i; 

//数组中心点 
int nCenter; 

//数组中一点到中心点距离 
double dDis; 

//中间变量 
double dValue; 
double dSum; 
dSum = 0; 

// [-3*sigma,3*sigma] 以内数据，会覆盖绝大部分滤波系数 
*pnWidowSize = 1+ 2*ceil(3*sigma); 

nCenter = (*pnWidowSize)/2; 

*pdKernel = new double[*pnWidowSize]; 

//生成高斯数据 
for(i=0;i<(*pnWidowSize);i++) 
{ 
dDis = double(i - nCenter); 
dValue = exp(-(1/2)*dDis*dDis/(sigma*sigma))/(sqrt(2*3.1415926)*sigma); 
(*pdKernel)[i] = dValue; 
dSum+=dValue; 

} 
//归一化 
for(i=0;i<(*pnWidowSize);i++) 
{ 
(*pdKernel)[i]/=dSum; 
} 

} 

//用高斯滤波器平滑原图像 
void GaussianSmooth(SIZE sz, LPBYTE pGray, LPBYTE pResult, double sigma) 
{ 
LONG x, y; 
LONG i; 

//高斯滤波器长度 
int nWindowSize; 

//窗口长度 
int nLen; 

//一维高斯滤波器 
double *pdKernel; 

//高斯系数与图像数据的点乘 
double dDotMul; 

//滤波系数总和 
double dWeightSum; 

double *pdTemp; 
pdTemp = new double[sz.cx*sz.cy]; 

//产生一维高斯数据 
CreatGauss(sigma, &pdKernel, &nWindowSize); 

nLen = nWindowSize/2; 

//x方向滤波 
for(y=0;y<sz.cy;y++) 
{ 
for(x=0;x<sz.cx;x++) 
{ 
dDotMul = 0; 
dWeightSum = 0; 
for(i=(-nLen);i<=nLen;i++) 
{ 
//判断是否在图像内部 
if((i+x)>=0 && (i+x)<sz.cx) 
{ 
dDotMul+=(double)pGray[y*sz.cx+(i+x)] * pdKernel[nLen+i]; 
dWeightSum += pdKernel[nLen+i]; 
} 
} 
pdTemp[y*sz.cx+x] = dDotMul/dWeightSum; 
} 
} 

//y方向滤波 
for(x=0; x<sz.cx;x++) 
{ 
for(y=0; y<sz.cy; y++) 
{ 
dDotMul = 0; 
dWeightSum = 0; 
for(i=(-nLen);i<=nLen;i++) 
{ 
if((i+y)>=0 && (i+y)< sz.cy) 
{ 
dDotMul += (double)pdTemp[(y+i)*sz.cx+x]*pdKernel[nLen+i]; 
dWeightSum += pdKernel[nLen+i]; 
} 
} 
pResult[y*sz.cx+x] = (unsigned char)dDotMul/dWeightSum; 
} 
} 

delete []pdKernel; 
pdKernel = NULL; 

delete []pdTemp; 
pdTemp = NULL; 

} 

// 方向导数,求梯度 
void Grad(SIZE sz, LPBYTE pGray,int *pGradX, int *pGradY, int *pMag) 
{ 
LONG y,x; 

//x方向的方向导数 
for(y=1;y<sz.cy-1;y++) 
{ 
for(x=1;x<sz.cx-1;x++) 
{ 
pGradX[y*sz.cx +x] = (int)( pGray[y*sz.cx+x+1]-pGray[y*sz.cx+ x-1] ); 
} 
} 

//y方向方向导数 
for(x=1;x<sz.cx-1;x++) 
{ 
for(y=1;y<sz.cy-1;y++) 
{ 
pGradY[y*sz.cx +x] = (int)(pGray[(y+1)*sz.cx +x] - pGray[(y-1)*sz.cx +x]); 
} 
} 

//求梯度 

//中间变量 
double dSqt1; 
double dSqt2; 

for(y=0; y<sz.cy; y++) 
{ 
for(x=0; x<sz.cx; x++) 
{ 
//二阶范数求梯度 
dSqt1 = pGradX[y*sz.cx + x]*pGradX[y*sz.cx + x]; 
dSqt2 = pGradY[y*sz.cx + x]*pGradY[y*sz.cx + x]; 
pMag[y*sz.cx+x] = (int)(sqrt(dSqt1+dSqt2)+0.5); 
} 
} 
} 

//非最大抑制 
void NonmaxSuppress(int *pMag, int *pGradX, int *pGradY, SIZE sz, LPBYTE pNSRst) 
{ 
LONG y,x; 
int nPos; 

//梯度分量 
int gx; 
int gy; 

//中间变量 
int g1,g2,g3,g4; 
double weight; 
double dTmp,dTmp1,dTmp2; 

//设置图像边缘为不可能的分界点 
for(x=0;x<sz.cx;x++) 
{ 
pNSRst[x] = 0; 
pNSRst[(sz.cy-1)*sz.cx+x] = 0; 

} 
for(y=0;y<sz.cy;y++) 
{ 
pNSRst[y*sz.cx] = 0; 
pNSRst[y*sz.cx + sz.cx-1] = 0; 
} 

for(y=1;y<sz.cy-1;y++) 
{ 
for(x=1;x<sz.cx-1;x++) 
{ 
//当前点 
nPos = y*sz.cx + x; 

//如果当前像素梯度幅度为0，则不是边界点 
if(pMag[nPos] == 0) 
{ 
pNSRst[nPos] = 0; 
} 
else 
{ 
//当前点的梯度幅度 
dTmp = pMag[nPos]; 

//x,y方向导数 
gx = pGradX[nPos]; 
gy = pGradY[nPos]; 

//如果方向导数y分量比x分量大，说明导数方向趋向于y分量 
if(abs(gy) > abs(gx)) 
{ 
//计算插值比例 
weight = fabs(gx)/fabs(gy); 

g2 = pMag[nPos-sz.cx]; 
g4 = pMag[nPos+sz.cx]; 

//如果x,y两个方向导数的符号相同 
//C 为当前像素，与g1-g4 的位置关系为： 
//g1 g2 
// C 
// g4 g3 
if(gx*gy>0) 
{ 
g1 = pMag[nPos-sz.cx-1]; 
g3 = pMag[nPos+sz.cx+1]; 
} 

//如果x,y两个方向的方向导数方向相反 
//C是当前像素，与g1-g4的关系为： 
// g2 g1 
// C 
// g3 g4 
else 
{ 
g1 = pMag[nPos-sz.cx+1]; 
g3 = pMag[nPos+sz.cx-1]; 
} 
} 

//如果方向导数x分量比y分量大，说明导数的方向趋向于x分量 
else 
{ 
//插值比例 
weight = fabs(gy)/fabs(gx); 

g2 = pMag[nPos+1]; 
g4 = pMag[nPos-1]; 

//如果x,y两个方向的方向导数符号相同 
//当前像素C与 g1-g4的关系为 
// g3 
// g4 C g2 
// g1 
if(gx * gy > 0) 
{ 
g1 = pMag[nPos+sz.cx+1]; 
g3 = pMag[nPos-sz.cx-1]; 
} 

//如果x,y两个方向导数的方向相反 
// C与g1-g4的关系为 
// g1 
// g4 C g2 
// g3 
else 
{ 
g1 = pMag[nPos-sz.cx+1]; 
g3 = pMag[nPos+sz.cx-1]; 
} 
} 

//利用 g1-g4 对梯度进行插值 
{ 
dTmp1 = weight*g1 + (1-weight)*g2; 
dTmp2 = weight*g3 + (1-weight)*g4; 

//当前像素的梯度是局部的最大值 
//该点可能是边界点 
if(dTmp>=dTmp1 && dTmp>=dTmp2) 
{ 
pNSRst[nPos] = 128; 
} 
else 
{ 
//不可能是边界点 
pNSRst[nPos] = 0; 
} 
} 
} 
} 
} 
} 

// 统计pMag的直方图，判定阈值 
void EstimateThreshold(int *pMag, SIZE sz, int *pThrHigh, int *pThrLow, LPBYTE pGray, 
double dRatHigh, double dRatLow) 
{ 
LONG y,x,k; 

//该数组的大小和梯度值的范围有关，如果采用本程序的算法 
//那么梯度的范围不会超过pow(2,10) 
int nHist[256]; 

//可能边界数 
int nEdgeNum; 

//最大梯度数 
int nMaxMag; 

int nHighCount; 

nMaxMag = 0; 

//初始化 
for(k=0;k<256;k++) 
{ 
nHist[k] = 0; 
} 
//统计直方图,利用直方图计算阈值 
for(y=0;y<sz.cy;y++) 
{ 
for(x=0;x<sz.cx;x++) 
{ 
if(pGray[y*sz.cx+x]==128) 
{ 
nHist[pMag[y*sz.cx+x]]++; 
} 
} 
} 

nEdgeNum = nHist[0]; 
nMaxMag = 0; 

//统计经过“非最大值抑制”后有多少像素 
for(k=1;k<256;k++) 
{ 
if(nHist[k] != 0) 
{ 
nMaxMag = k; 
} 

//梯度为0的点是不可能为边界点的 
//经过non-maximum suppression后有多少像素 
nEdgeNum += nHist[k]; 

} 

//梯度比高阈值*pThrHigh 小的像素点总书目 
nHighCount = (int)(dRatHigh * nEdgeNum + 0.5); 

k=1; 
nEdgeNum = nHist[1]; 

//计算高阈值 
while((k<(nMaxMag-1)) && (nEdgeNum < nHighCount)) 
{ 
k++; 
nEdgeNum += nHist[k]; 
} 

*pThrHigh = k; 

//低阈值 
*pThrLow = (int)((*pThrHigh) * dRatLow + 0.5); 

} 

//利用函数寻找边界起点 
void Hysteresis(int *pMag, SIZE sz, double dRatLow, double dRatHigh, LPBYTE pResult) 
{ 
LONG y,x; 

int nThrHigh,nThrLow; 

int nPos; 
//估计TraceEdge 函数需要的低阈值，以及Hysteresis函数使用的高阈值 
EstimateThreshold(pMag, sz,&nThrHigh,&nThrLow,pResult,dRatHigh,dRatLow); 

//寻找大于dThrHigh的点，这些点用来当作边界点， 
//然后用TraceEdge函数跟踪该点对应的边界 
for(y=0;y<sz.cy;y++) 
{ 
for(x=0;x<sz.cx;x++) 
{ 
nPos = y*sz.cx + x; 

//如果该像素是可能的边界点，并且梯度大于高阈值， 
//该像素作为一个边界的起点 
if((pResult[nPos]==128) && (pMag[nPos] >= nThrHigh)) 
{ 
//设置该点为边界点 
pResult[nPos] = 255; 
TraceEdge(y,x,nThrLow,pResult,pMag,sz); 
} 

} 
} 

//其他点已经不可能为边界点 
for(y=0;y<sz.cy;y++) 
{ 
for(x=0;x<sz.cx;x++) 
{ 
nPos = y*sz.cx + x; 

if(pResult[nPos] != 255) 
{ 
pResult[nPos] = 0; 
} 
} 
} 
} 

//根据Hysteresis 执行的结果，从一个像素点开始搜索，搜索以该像素点为边界起点的一条边界的 
//一条边界的所有边界点，函数采用了递归算法 
// 从（x,y)坐标出发，进行边界点的跟踪，跟踪只考虑pResult中没有处理并且可能是边界 
// 点的像素（=128），像素值为0表明该点不可能是边界点，像素值为255表明该点已经是边界点 

void TraceEdge(int y, int x, int nThrLow, LPBYTE pResult, int *pMag, SIZE sz) 
{ 
//对8邻域像素进行查询 
int xNum[8] = {1,1,0,-1,-1,-1,0,1}; 
int yNum[8] = {0,1,1,1,0,-1,-1,-1}; 

LONG yy,xx,k; 

for(k=0;k<8;k++) 
{ 
yy = y+yNum[k]; 
xx = x+xNum[k]; 

if(pResult[yy*sz.cx+xx]==128 && pMag[yy*sz.cx+xx]>=nThrLow ) 
{ 
//该点设为边界点 
pResult[yy*sz.cx+xx] = 255; 

//以该点为中心再进行跟踪 
TraceEdge(yy,xx,nThrLow,pResult,pMag,sz); 
} 
} 
} 


// Canny算子 
void Canny(LPBYTE pGray, SIZE sz, double sigma, double dRatLow, 
double dRatHigh, LPBYTE pResult) 
{ 
//经过高斯滤波后的图像 
LPBYTE pGaussSmooth; 

pGaussSmooth = new unsigned char[sz.cx*sz.cy]; 

//x方向导数的指针 
int *pGradX; 
pGradX = new int[sz.cx*sz.cy]; 

//y方向 
int *pGradY; 
pGradY = new int[sz.cx*sz.cy]; 

//梯度的幅度 
int *pGradMag; 
pGradMag = new int[sz.cx*sz.cy]; 

//对原图高斯滤波 
GaussianSmooth(sz,pGray,pGaussSmooth,sigma); 

//计算方向导数和梯度的幅度 
Grad(sz,pGaussSmooth,pGradX,pGradY,pGradMag); 

//应用非最大抑制 
NonmaxSuppress(pGradMag,pGradX,pGradY,sz,pResult); 

//应用Hysteresis，找到所有边界 
Hysteresis(pGradMag,sz,dRatLow,dRatHigh,pResult); 

delete[] pGradX; 
pGradX = NULL; 
delete[] pGradY; 
pGradY = NULL; 
delete[] pGradMag; 
pGradMag = NULL; 
delete[] pGaussSmooth; 
pGaussSmooth = NULL; 



} 

/* 
void CChildWnd::OnCanny() 
{ 
if (! m_fOpenFile) 
{ 
return; 
} 
m_fDone = TRUE; 
RGBToGray(szImg, aRGB, aGray, BPP); 
Canny(aGray,szImg,0.1,0.9,0.76,aBinImg); 

ShowGrayImage("l",szImg,aBinImg); 
} 
//*/

下图给出了canny算子的检查结果：

但是，碰到一个问题，在多种图片的检测中，由于阈值的固定设置，导致了图片边缘检测不明朗。

所以为了迎合客户需求，需要对其进行改进：

增加自适应阈值，请见下篇文章。