Canny算子求边缘点具体算法步骤如下：
1. 用高斯滤波器平滑图像．
2. 用一阶偏导有限差分计算梯度幅值和方向.
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．
4.1.双阈值的选取
4.2.滞后边界跟踪
第一步：高斯滤波
int TempltExcuteAsh(BYTE** imageBuf0, int w, int h, int* templt, int tw, int x, int y)
{
int i, j;
int m = 0;
int px, py;
//依次对邻域中每个像素进行运算
for (i = 0; i < tw; i++){
for (j = 0; j < tw; j++){
//计算对应模板上位置的像素在源图像中的位置, 此处tw是int，则tw/2也是int
py = y - (int)tw / 2 + i;
px = x - (int)tw / 2 + j;
//加权求和
m += imageBuf0[py][px] * templt[i * tw + j];
}
}
return m;
}
static void SmoothGaussAsh(BYTE* image0, BYTE* image1, UINT w, UINT h)
{
BYTE** imageBuf0 = CreateImage(image0, w, h);
BYTE** imageBuf1 = CreateImage(image1, w, h);
int templt[9] = { 1, 2, 1, 2, 4, 2, 1, 2, 1 };
int x, y;
int a;
int scale;//衰减因子
scale = 16;
for (y = 1; y < h - 1; y++){
for (x = 1; x < w - 1; x++){
a = TempltExcuteAsh(imageBuf0, w, h, templt, 3, x, y);
a /= scale;
//过限处理
a = a> 255 ? 255 : a;
a = a < 0 ? 0 : a;
imageBuf1[y][x] = a;
}
}
free(imageBuf0);
free(imageBuf1);
}
模板中每一个点的高斯系数可以由上面的公式计算，这样得到的是不是最终的模板呢？答案不是，需要归一化，也即是每一个点的系数要除以所有系数之和，这样才是最终的二维高斯模板。
这个里面有个小知识点，要想计算上面的系数，需要知道高斯函数的标准差σ （sigma），还需要知道选3*3还是5*5的模板，也就是模板要多大，实际应用的时候，这两者是有关系的，根据数理统计的知识，高斯分布的特点就是数值分布在（μ—3σ,μ+3σ)中的概率为0.9974，也就是模板的大小其实就是6σ这么大就OK了，但是6σ可能不是奇数，因为我们一定要保证有核心。所以模板窗口的大小一般采用1+2*ceil(3*nSigma) ceil是向上取整函数，例如ceil(0.6)=1。
该处引用https://blog.csdn.net/fengye2two/article/details/79190759
归一化用模板数值的和，取倒数。即 对templt[9]内元素求和，最终得16.
模板窗口取3*3。
第二步：计算梯度值和方向
/***********
4->A0 A1
A2 A3
8->N0 N1 N2
N7 C N3
N6 N5 N4
************/
void SideSobel(BYTE* image0, BYTE* image1, UINT w, UINT h, bool type)
{
int x, y ,a;
int N0, N1, N2, N3, N4, N5, N6, N7,N;
int n1, n2;
double scale = 0.5;
for (int y = 1; y < h - 1; y++){
for (int x = 1; x < w - 1; x++){
N0 = image0[(y - 1) * w + x - 1];
N1 = image0[(y - 1) * w + x];
N2 = image0[(y - 1) * w + x + 1];
N3 = image0[y * w + x - 1];
N7 = image0[y * w + x + 1];
N4 = image0[(y + 1) * w + x + 1];
N5 = image0[(y + 1) * w];
N6 = image0[(y + 1) * w + x - 1];
if (type == true)
N = (abs((N0 + N1 * 2 + N2) - (N4 + N5 * 2 + N6)) +
abs((N0 + N7 * 2 + N6) - (N2 + N3 * 2 + N4))) * scale;
else
{
n1 = abs((N0 + N1 * 2 + N2) - (N4 + N5 * 2 + N6));
n2 = abs((N0 + N7 * 2 + N6) - (N2 + N3 * 2 + N4));
if (n1 > n2)
N = n1;
else
N = n2;
}
a = N / 2 * scale;
a = a > 255 ? 255 : a;
image1[y * w + x] = a;
}
}
}
第四步：非极大值抑制
void NonMaxSuppress(int *pMag, int* pGradX, int* pGradY, UINT w, UINT h, LPBYTE pNSRst)
{
LONG x, y;
int nPos;
//梯度方向
int gx, gy;
//临时变量
int g1, g2, g3, g4;//4个方向 0，45,90,135
double weight;
double dTemp, dTemp1, dTemp2;
for (x = 0; x < w; x++){
pNSRst[x] = 0;
pNSRst[(h - 1)*w + x] = 0;
}
for (y = 0; y < h; y++){
pNSRst[y * w] = 0;
pNSRst[y * w + w - 1] = 0;
}
for (y = 1; y < h - 1; y++){
for (x = 1; x < w - 1; x++){
nPos = y * w + x;
if (pMag[nPos] == 0)
pNSRst[nPos] = 0;
else{
//梯度图索引
dTemp = 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)){
weight = (double)(abs(gx)) / abs(gy);
g2 = pMag[nPos - w];
g4 = pMag[nPos + w];
if (gx * gy > 0){ //gx 和 gy不同符号
g1 = pMag[nPos - w - 1];
g3 = pMag[nPos + w + 1];
}
else{
g1 = pMag[nPos - w + 1];
g3 = pMag[nPos + w - 1];
}
}
else{
weight = (double)(abs(gy)) / abs(gx);
g2 = pMag[nPos + 1];
g4 = pMag[nPos - 1];
if (gx * gy > 0){
g1 = pMag[nPos + w + 1];
g3 = pMag[nPos - w - 1];
}
else{
g1 = pMag[nPos - w + 1];
g3 = pMag[nPos + w - 1];
}
}
dTemp1 = weight * g1 + (1 - weight) * g2;
dTemp2 = weight * g3 + (1 - weight) * g4;
//当前像素的梯度是局部最大值，该点可能是边界点
if (dTemp >= dTemp1 && dTemp >= dTemp2){
pNSRst[nPos] = 128;
}
else{
pNSRst[nPos] = 0;
}
}
}
}
}
来源：CSDN
作者：Issac_etc
链接：https://blog.csdn.net/weixin_41303851/article/details/103478859