Canny边缘检测算法详解：从灰度化到高斯模糊与边界提取

Canny边缘检测算法是一种广泛应用于图像处理中的边缘检测方法，尤其适用于建筑图像中的线性特征提取。该算法通过以下几个步骤来确保精确且高效地识别图像中的边缘： 1. **图像灰度化**： Canny算法首先将彩色图像（如RGB或更高维度的高光谱图像）转换为灰度图像，这是因为边缘信息主要集中在单通道中。灰度化的目的是减少冗余数据，简化后续处理，并降低计算复杂度。常用的灰度计算公式有两种：一是平均值法，即Gray(i,j) = (R(i,j) + G(i,j) + B(i,j)) / 3；二是基于人眼对色彩敏感性的加权平均，如Gray(i,j) = 0.299 * R(i,j) + 0.587 * G(i,j) + 0.114 * B(i,j)。 2. **高斯模糊**： 在灰度化后，高斯模糊用于平滑图像并去除噪声。高斯模糊利用高斯函数的特性，移除高频（如噪声）部分，保留边缘这些高频信息。选择合适的高斯核（如5x5大小，σ=1.4）至关重要，过大可能导致弱边缘丢失，而过小则不能有效去噪。生成高斯滤波器通常涉及离散化高斯函数。 3. **图像梯度计算**： Canny算法接着计算图像的梯度，这包括梯度幅值（衡量像素变化的强度）和梯度方向（边缘的方向）。这是通过计算每个像素点的微分（符号计算）来完成的，这有助于定位边缘位置。 4. **非极大值抑制（NMS）**： 在得到梯度后，非极大值抑制技术会保留每个像素点处梯度幅值的最大值，同时消除其附近的小峰点，从而减少伪边缘干扰。 5. **双阈值边缘检测**： 最后，Canny算法采用双阈值策略来确定哪些边缘是真正的边缘。首先，筛选出强边缘（大于较高的阈值），然后对于那些介于两个阈值之间的边缘，如果它们连接到强边缘，就保留下来，否则丢弃。这一步确保了结果的稳定性和可靠性。 Canny算法在处理建筑物线性特征时，特别关注边缘的清晰度和稳定性，确保在复杂背景下能够准确地提取出结构特征。在实际应用中，可能会针对建筑场景的特点调整算法参数，例如滤波器大小和阈值设置，以优化边缘检测效果。