www.gusucode.com > VC++ Canny算子提取边缘算法示例-源码程序 > VC++ Canny算子提取边缘算法示例-源码程序/code/用Canny算子提取边缘/源代码/SegApi.cpp
#include "GlobalApi.h"
#include "stdafx.h"
#include "cdib.h"
#include "math.h"
#include <direct.h>
#include <complex>
using namespace std;
/*************************************************************************
*
* \函数名称：
* RegionSegFixThreshold()
*
* \输入参数:
* CDib * pDib - 指向CDib类的指针，含有原始图象信息
* int nThreshold - 区域分割的阈值
*
* \返回值:
* 无
*
* \说明:
* 1（逻辑）表示对应象素为前景区域，0表示背景
* 阈值分割的关键问题在于阈值的选取。阈值的选取一般应该视实际的应用而
* 灵活设定。
*
*************************************************************************
*/
void RegionSegFixThreshold(CDib * pDib, int nThreshold)
{
//遍历图象的纵坐标
int y;
//遍历图象的横坐标
int x;
//图象的长宽大小
CSize sizeImage = pDib->GetDimensions();
int nWidth = sizeImage.cx ;
int nHeight = sizeImage.cy ;
//图像在计算机在存储中的实际大小
CSize sizeImageSave = pDib->GetDibSaveDim();
//图像在内存中每一行象素占用的实际空间
int nSaveWidth = sizeImageSave.cx;
//图像数据的指针
LPBYTE pImageData = pDib->m_lpImage;
for(y=0; y<nHeight ; y++ )
for(x=0; x<nWidth ; x++ )
{
if( *(pImageData+y*nSaveWidth+x) < nThreshold)
*(pImageData+y*nSaveWidth+x) = 0;
}
}
/*************************************************************************
*
* \函数名称：
* RegionSegAdaptive()
*
* \输入参数:
* CDib * pDib - 指向CDib类的指针，含有原始图象信息
*
* \返回值:
* 无
*
* \说明:
* 1（逻辑）表示对应象素为前景区域，0表示背景
* 阈值分割的关键问题在于阈值的选取。阈值的选取一般应该视实际的应用而
* 灵活设定。本函数中，阈值不是固定的，而是根据图象象素的实际性质而设定的。
* 这个函数把图像分成四个子图象，然后计算每个子图象的均值，根据均值设置阈值
* 阈值只是应用在对应的子图象
*
*************************************************************************
*/
void RegionSegAdaptive(CDib * pDib)
{
//遍历图象的纵坐标
int y;
//遍历图象的横坐标
int x;
//图象的长宽大小
CSize sizeImage = pDib->GetDimensions();
int nWidth = sizeImage.cx ;
int nHeight = sizeImage.cy ;
//图像在计算机在存储中的实际大小
CSize sizeImageSave = pDib->GetDibSaveDim();
//图像在内存中每一行象素占用的实际空间
int nSaveWidth = sizeImageSave.cx;
//图像数据的指针
LPBYTE lpImage = pDib->m_lpImage;
// 局部阈值
int nThd[2][2] ;
// 子图象的平均值
int nLocAvg ;
// 对左上图像逐点扫描：
nLocAvg = 0 ;
// y方向
for(y=0; y<nHeight/2 ; y++ )
{
// x方向
for(x=0; x<nWidth/2 ; x++ )
{
nLocAvg += lpImage[y*nSaveWidth + x];
}
}
// 计算均值
nLocAvg /= ( (nHeight/2) * (nWidth/2) ) ;
// 设置阈值为子图象的平均值
nThd[0][0] = nLocAvg ;
// 对左上图像逐点扫描进行分割：
// y方向
for(y=0; y<nHeight/2 ; y++ )
{
// x方向
for(x=0; x<nWidth/2 ; x++ )
{
if(lpImage[y*nSaveWidth + x]<nThd[0][0])
lpImage[y*nSaveWidth + x] = 255 ;
else
{
lpImage[y*nSaveWidth + x] = 0 ;
}
}
}
// =============================================
// 对左下图像逐点扫描：
nLocAvg = 0 ;
// y方向
for(y=nHeight/2; y<nHeight ; y++ )
{
// x方向
for(x=0; x<nWidth/2 ; x++ )
{
nLocAvg += lpImage[y*nSaveWidth + x];
}
}
// 计算均值
nLocAvg /= ( (nHeight - nHeight/2) * (nWidth/2) ) ;
// 设置阈值为子图象的平均值
nThd[1][0] = nLocAvg ;
// 对左下图像逐点扫描进行分割：
// y方向
for(y=nHeight/2; y<nHeight ; y++ )
{
// x方向
for(x=0; x<nWidth/2 ; x++ )
{
if(lpImage[y*nSaveWidth + x]<nThd[1][0])
lpImage[y*nSaveWidth + x] = 255 ;
else
{
lpImage[y*nSaveWidth + x] = 0 ;
}
}
}
// =============================================
// 对右上图像逐点扫描：
nLocAvg = 0 ;
// y方向
for(y=0; y<nHeight/2 ; y++ )
{
// x方向
for(x=nWidth/2; x<nWidth ; x++ )
{
nLocAvg += lpImage[y*nSaveWidth + x];
}
}
// 计算均值
nLocAvg /= ( (nHeight/2) * (nWidth - nWidth/2) ) ;
// 设置阈值为子图象的平均值
nThd[0][1] = nLocAvg ;
// 对右上图像逐点扫描进行分割：
// y方向
for(y=0; y<nHeight/2 ; y++ )
{
// x方向
for(x=nWidth/2; x<nWidth ; x++ )
{
if(lpImage[y*nSaveWidth + x]<nThd[0][1])
lpImage[y*nSaveWidth + x] = 255 ;
else
{
lpImage[y*nSaveWidth + x] = 0 ;
}
}
}
// =============================================
// 对右下图像逐点扫描：
nLocAvg = 0 ;
// y方向
for(y=nHeight/2; y<nHeight ; y++ )
{
// x方向
for(x=nWidth/2; x<nWidth ; x++ )
{
nLocAvg += lpImage[y*nSaveWidth + x];
}
}
// 计算均值
nLocAvg /= ( (nHeight - nHeight/2) * (nWidth - nWidth/2) ) ;
// 设置阈值为子图象的平均值
nThd[1][1] = nLocAvg ;
// 对右下图像逐点扫描进行分割：
// y方向
for(y=nHeight/2; y<nHeight ; y++ )
{
// x方向
for(x=nWidth/2; x<nWidth ; x++ )
{
if(lpImage[y*nSaveWidth + x]<nThd[1][1])
lpImage[y*nSaveWidth + x] = 255 ;
else
{
lpImage[y*nSaveWidth + x] = 0 ;
}
}
}
// 为了显示方便显示，逻辑1用黑色显示，逻辑0用白色显示
for(y=0; y<nHeight ; y++ )
{
// x方向
for(x=0; x<nWidth ; x++ )
{
lpImage[y*nSaveWidth + x] = 255 - lpImage[y*nSaveWidth + x] ;
}
}
}
/*************************************************************************
*
* \函数名称：
* RobertsOperator()
*
* \输入参数:
* CDib * pDib - 指向CDib类的指针，含有原始图象信息
* double * pdGrad - 指向梯度数据的指针，含有图像的梯度信息
*
* \返回值:
* 无
*
* \说明:
* Roberts算子
*
*************************************************************************
*/
void RobertsOperator(CDib * pDib, double * pdGrad)
{
// 遍历图象的纵坐标
int y;
// 遍历图象的横坐标
int x;
// 图象的长宽大小
CSize sizeImage = pDib->GetDimensions();
int nWidth = sizeImage.cx ;
int nHeight = sizeImage.cy ;
// 图像在计算机在存储中的实际大小
CSize sizeImageSave = pDib->GetDibSaveDim();
// 图像在内存中每一行象素占用的实际空间
int nSaveWidth = sizeImageSave.cx;
// 图像数据的指针
LPBYTE pImageData = pDib->m_lpImage;
// 初始化
for(y=0; y<nHeight ; y++ )
for(x=0 ; x<nWidth ; x++ )
{
*(pdGrad+y*nWidth+x)=0;
}
// 下面开始利用Roberts算子进行计算，为了保证计算所需要的
// 的数据位于图像数据的内部，下面的两重循环的条件是
// y<nHeight-1 而不是y<nHeight，相应的x方向也是x<nWidth-1
// 而不是x<nWidth
//这两个变量用来表示Roberts算子第一个模板的两个象素值
int nUpLeft;
int nDownRight;
// 这两个变量用来表示Roberts算子第二个模板的两个象素值
int nUpRight;
int nDownLeft;
// 这两个变量用来表示Roberts算子计算的结果
int nValueOne;
int nValueTwo;
// 临时变量
double dGrad;
for(y=0; y<nHeight-1 ; y++ )
for(x=0 ; x<nWidth-1 ; x++ )
{
// Roberts算子第一个模板需要的象素值
nUpLeft =*(pImageData+y*nSaveWidth+x) ;
nDownRight =*( pImageData+(y+1)*nSaveWidth+x+1 );
nDownRight *=-1;
//Roberts算子的第一个模板计算结果
nValueOne =nUpLeft+nDownRight ;
// Roberts算子第二个模板需要的象素值
nUpRight =*( pImageData+y*nSaveWidth+x+1 ) ;
nDownLeft =*( pImageData+(y+1)*nSaveWidth+x );
nDownLeft *=-1;
// Roberts算子的第二个模板计算结果
nValueTwo =nUpRight+nDownLeft;
// 计算两个偏导数的平方和
dGrad=nValueOne*nValueOne + nValueTwo*nValueTwo;
// 开方
dGrad=pow(dGrad,0.5);
// 范数采用欧式距离
*(pdGrad+y*nWidth+x)=dGrad;
}
}
/*************************************************************************
*
* \函数名称：
* LaplacianOperator()
*
* \输入参数:
* CDib * pDib - 指向CDib类的指针，含有原始图象信息
* double * pdGrad - 指向梯度数据的指针，含有图像的梯度信息
*
* \返回值:
* 无
*
* \说明:
* LaplacianOperator算子,是二阶算子，不想Roberts算子那样需要两个模板计算
* 梯度，LaplacianOperator算子只要一个算子就可以计算梯度。但是因为利用了
* 二阶信息，对噪声比较敏感
*
*************************************************************************
*/
void LaplacianOperator(CDib * pDib, double * pdGrad)
{
// 遍历图象的纵坐标
int y;
// 遍历图象的横坐标
int x;
// 图象的长宽大小
CSize sizeImage = pDib->GetDimensions();
int nWidth = sizeImage.cx ;
int nHeight = sizeImage.cy ;
// 图像在计算机在存储中的实际大小
CSize sizeImageSave = pDib->GetDibSaveDim();
// 图像在内存中每一行象素占用的实际空间
int nSaveWidth = sizeImageSave.cx;
// 图像数据的指针
LPBYTE lpImage = pDib->m_lpImage;
// 初始化
for(y=0; y<nHeight ; y++ )
for(x=0 ; x<nWidth ; x++ )
{
*(pdGrad+y*nWidth+x)=0;
}
// 设置模板系数
static int nWeight[3][3] ;
nWeight[0][0] = -1 ;
nWeight[0][1] = -1 ;
nWeight[0][2] = -1 ;
nWeight[1][0] = -1 ;
nWeight[1][1] = 8 ;
nWeight[1][2] = -1 ;
nWeight[2][0] = -1 ;
nWeight[2][1] = -1 ;
nWeight[2][2] = -1 ;
//这个变量用来表示Laplacian算子象素值
int nTmp[3][3];
// 临时变量
double dGrad;
// 模板循环控制变量
int yy ;
int xx ;
// 下面开始利用Laplacian算子进行计算，为了保证计算所需要的
// 的数据位于图像数据的内部，下面的两重循环的条件是
// y<nHeight-2 而不是y<nHeight，相应的x方向也是x<nWidth-2
// 而不是x<nWidth
for(y=1; y<nHeight-2 ; y++ )
for(x=1 ; x<nWidth-2 ; x++ )
{
dGrad = 0 ;
// Laplacian算子需要的各点象素值
// 模板第一行
nTmp[0][0] = lpImage[(y-1)*nSaveWidth + x - 1 ] ;
nTmp[0][1] = lpImage[(y-1)*nSaveWidth + x ] ;
nTmp[0][2] = lpImage[(y-1)*nSaveWidth + x + 1 ] ;
// 模板第二行
nTmp[1][0] = lpImage[y*nSaveWidth + x - 1 ] ;
nTmp[1][1] = lpImage[y*nSaveWidth + x ] ;
nTmp[1][2] = lpImage[y*nSaveWidth + x + 1 ] ;
// 模板第三行
nTmp[2][0] = lpImage[(y+1)*nSaveWidth + x - 1 ] ;
nTmp[2][1] = lpImage[(y+1)*nSaveWidth + x ] ;
nTmp[2][2] = lpImage[(y+1)*nSaveWidth + x + 1 ] ;
// 计算梯度
for(yy=0; yy<3; yy++)
for(xx=0; xx<3; xx++)
{
dGrad += nTmp[yy][xx] * nWeight[yy][xx] ;
}
// 梯度值写入内存
*(pdGrad+y*nWidth+x)=dGrad;
}
}
/*************************************************************************
*
* \函数名称：
* RegionGrow()
*
* \输入参数:
* CDib * pDib - 指向CDib类的指针，含有原始图象信息
* unsigned char * pUnRegion - 指向区域生长结果的指针
*
* \返回值:
* 无
*
* \说明:
* pUnRegion指针指向的数据区存储了区域生长的结果，其中1（逻辑）表示
* 对应象素为生长区域，0表示为非生长区域
* 区域生长一般包含三个比较重要的问题：
* 1. 种子点的选取
* 2. 生长准则
* 3. 终止条件
* 可以认为，这三个问题需要具体分析，而且每个问题解决的好坏直接关系到
* 区域生长的结果。
* 本函数的种子点选取为图像的中心，生长准则是相邻象素的象素值小于
* nThreshold, 终止条件是一直进行到再没有满足生长准则需要的象素时为止
*
*************************************************************************
*/
void RegionGrow(CDib * pDib, unsigned char * pUnRegion, int nThreshold)
{
static int nDx[]={-1,0,1,0};
static int nDy[]={0,1,0,-1};
// 遍历图象的纵坐标
// int y;
// 遍历图象的横坐标
// int x;
// 图象的长宽大小
CSize sizeImage = pDib->GetDimensions();
int nWidth = sizeImage.cx ;
int nHeight = sizeImage.cy ;
// 图像在计算机在存储中的实际大小
CSize sizeImageSave = pDib->GetDibSaveDim();
// 图像在内存中每一行象素占用的实际空间
int nSaveWidth = sizeImageSave.cx;
// 初始化
memset(pUnRegion,0,sizeof(unsigned char)*nWidth*nHeight);
// 种子点
int nSeedX, nSeedY;
// 设置种子点为图像的中心
nSeedX = nWidth /2 ;
nSeedY = nHeight/2 ;
// 定义堆栈，存储坐标
int * pnGrowQueX ;
int * pnGrowQueY ;
// 分配空间
pnGrowQueX = new int [nWidth*nHeight];
pnGrowQueY = new int [nWidth*nHeight];
// 图像数据的指针
unsigned char * pUnchInput =(unsigned char * )pDib->m_lpImage;
// 定义堆栈的起点和终点
// 当nStart=nEnd, 表示堆栈中只有一个点
int nStart ;
int nEnd ;
//初始化
nStart = 0 ;
nEnd = 0 ;
// 把种子点的坐标压入栈
pnGrowQueX[nEnd] = nSeedX;
pnGrowQueY[nEnd] = nSeedY;
// 当前正在处理的象素
int nCurrX ;
int nCurrY ;
// 循环控制变量
int k ;
// 图象的横纵坐标,用来对当前象素的4邻域进行遍历
int xx;
int yy;
while (nStart<=nEnd)
{
// 当前种子点的坐标
nCurrX = pnGrowQueX[nStart];
nCurrY = pnGrowQueY[nStart];
// 对当前点的4邻域进行遍历
for (k=0; k<4; k++)
{
// 4邻域象素的坐标
xx = nCurrX+nDx[k];
yy = nCurrY+nDy[k];
// 判断象素(xx，yy) 是否在图像内部
// 判断象素(xx，yy) 是否已经处理过
// pUnRegion[yy*nWidth+xx]==0 表示还没有处理
// 生长条件：判断象素(xx，yy)和当前象素(nCurrX,nCurrY) 象素值差的绝对值
if ( (xx < nWidth) && (xx>=0) && (yy<nHeight) && (yy>=0)
&& (pUnRegion[yy*nWidth+xx]==0)
&& abs(pUnchInput[yy*nSaveWidth+xx] - pUnchInput[nCurrY*nSaveWidth+nCurrX])<nThreshold )
{
// 堆栈的尾部指针后移一位
nEnd++;
// 象素(xx，yy) 压入栈
pnGrowQueX[nEnd] = xx;
pnGrowQueY[nEnd] = yy;
// 把象素(xx，yy)设置成逻辑1（255）
// 同时也表明该象素处理过
pUnRegion[yy*nWidth+xx] = 255 ;
}
}
nStart++;
}
// 释放内存
delete []pnGrowQueX;
delete []pnGrowQueY;
pnGrowQueX = NULL ;
pnGrowQueY = NULL ;
}
void DFT_2D(CDib * pDib,double * pTrRstRpart, double * pTrRstIpart)
{
double PI = 3.14159;
//遍历图象的纵坐标
int y;
//遍历图象的横坐标
int x;
//频域的横坐标
int m;
//频域的纵坐标
int n;
//图象的长宽大小
CSize sizeImage = pDib->GetDimensions();
int nWidth = sizeImage.cx ;
int nHeight = sizeImage.cy ;
//图像在计算机在存储中的实际大小
CSize sizeImageSave = pDib->GetDibSaveDim();
int nSaveWidth = sizeImageSave.cx;
//图像数据的指针
LPBYTE pImageData = pDib->m_lpImage;
//初始化结果数据
for(n=0; n<nHeight ; n++ )
for(m=0 ; m<nWidth ; m++ )
{
*( pTrRstRpart + n*nWidth + m ) =0;
*( pTrRstIpart + n*nWidth + m ) =0;
}
double fCosTable;
double fSinTable;
int nPxValue;
fCosTable=0 ;
nPxValue =0;
double fTmpRstR;
double fTmpRstI;
for(n=0; n<nHeight ; n++ )
for(m=0 ; m<nWidth ; m++ )
{
fTmpRstR=0;
fTmpRstI=0;
for(y=0; y<nHeight ; y++ )
for(x=0 ; x<nWidth ; x++ )
{
fCosTable= cos( 2*PI*( ((double)m*x)/nWidth + ((double)n*y)/nHeight) ) ;
fSinTable= sin( -2*PI*( ((double)m*x)/nWidth + ((double)n*y)/nHeight) ) ;
nPxValue = *(pImageData+ y*nSaveWidth + x ) ;
fTmpRstR+=fCosTable* nPxValue ;
fTmpRstI+=fSinTable* nPxValue ;
}
*( pTrRstRpart + nWidth * n + m ) = fTmpRstR;
*( pTrRstIpart + nWidth * n + m ) = fTmpRstI;
}
}
void IDFT_2D(CDib * pDib,double * pTrRstRpart, double * pTrRstIpart)
{
double PI = 3.14159;
//遍历图象的纵坐标
int y;
//遍历图象的横坐标
int x;
//频域的横坐标
int m;
//频域的纵坐标
int n;
//图象的长宽大小
CSize sizeImage = pDib->GetDimensions();
int nWidth = sizeImage.cx ;
int nHeight = sizeImage.cy ;
//图像在计算机在存储中的实际大小
CSize sizeImageSave = pDib->GetDibSaveDim();
int nSaveWidth = sizeImageSave.cx;
//图像数据的指针
LPBYTE pImageData = pDib->m_lpImage;
double fCosTable;
double fSinTable;
fCosTable=0 ;
fSinTable=0 ;
double fTmpPxValue;
double fRpartValue;
double fIpartValue;
fTmpPxValue=0;
fRpartValue=0;
fIpartValue=0;
for(y=0; y<nHeight ; y++ )
for(x=0 ; x<nWidth ; x++ )
{
fTmpPxValue=0;
for(n=0; n<nHeight ; n++ )
for(m=0 ; m<nWidth ; m++ )
{
fCosTable= cos( 2*PI*( ((double)m*x)/nWidth + ((double)n*y)/nHeight) ) ;
fSinTable= sin( 2*PI*( ((double)m*x)/nWidth + ((double)n*y)/nHeight) ) ;
fRpartValue=*(pTrRstRpart+ n*nHeight + m ) ;
fIpartValue=*(pTrRstIpart+ n*nHeight + m ) ;
fTmpPxValue+=fCosTable* fRpartValue-fSinTable*fIpartValue;
}
fTmpPxValue=fTmpPxValue/(nHeight*nWidth);
*( pImageData + nSaveWidth * y + x) = (unsigned char) fTmpPxValue ;
}
}
/*************************************************************************
*
* \函数名称：
* SobelOperator()
*
* \输入参数:
* CDib * pDib - 指向CDib类的指针，含有原始图象信息
* double * pdGrad - 指向梯度数据的指针，含有图像的梯度信息
*
* \返回值:
* 无
*
* \说明:
* Sobe算子
*
* 并行边界分割
*
*************************************************************************
*/
void SobelOperator(CDib * pDib, double * pdGrad)
{
// 遍历图象的纵坐标
int y;
// 遍历图象的横坐标
int x;
// 图象的长宽大小
CSize sizeImage = pDib->GetDimensions();
int nWidth = sizeImage.cx ;
int nHeight = sizeImage.cy ;
// 图像在计算机在存储中的实际大小
CSize sizeImageSave = pDib->GetDibSaveDim();
// 图像在内存中每一行象素占用的实际空间
int nSaveWidth = sizeImageSave.cx;
// 图像数据的指针
LPBYTE lpImage = pDib->m_lpImage;
// 初始化
for(y=0; y<nHeight ; y++ )
for(x=0 ; x<nWidth ; x++ )
{
*(pdGrad+y*nWidth+x)=0;
}
// 设置模板系数
static int nWeight[2][3][3] ;
nWeight[0][0][0] = -1 ;
nWeight[0][0][1] = 0 ;
nWeight[0][0][2] = 1 ;
nWeight[0][1][0] = -2 ;
nWeight[0][1][1] = 0 ;
nWeight[0][1][2] = 2 ;
nWeight[0][2][0] = -1 ;
nWeight[0][2][1] = 0 ;
nWeight[0][2][2] = 1 ;
nWeight[1][0][0] = 1 ;
nWeight[1][0][1] = 2 ;
nWeight[1][0][2] = 1 ;
nWeight[1][1][0] = 0 ;
nWeight[1][1][1] = 0 ;
nWeight[1][1][2] = 0 ;
nWeight[1][2][0] = -1 ;
nWeight[1][2][1] = -2 ;
nWeight[1][2][2] = -1 ;
//这个变量用来表示Laplacian算子象素值
int nTmp[3][3];
// 临时变量
double dGrad ;
double dGradOne;
double dGradTwo;
// 模板循环控制变量
int yy ;
int xx ;
// 下面开始利用Prewitt算子进行计算，为了保证计算所需要的
// 的数据位于图像数据的内部，下面的两重循环的条件是
// y<nHeight-1 而不是y<nHeight，相应的x方向也是x<nWidth-1
// 而不是x<nWidth
for(y=1; y<nHeight-1 ; y++ )
for(x=1 ; x<nWidth-1 ; x++ )
{
dGrad = 0 ;
dGradOne = 0 ;
dGradTwo = 0 ;
// Laplacian算子需要的各点象素值
// 模板第一行
nTmp[0][0] = lpImage[(y-1)*nSaveWidth + x - 1 ] ;
nTmp[0][1] = lpImage[(y-1)*nSaveWidth + x ] ;
nTmp[0][2] = lpImage[(y-1)*nSaveWidth + x + 1 ] ;
// 模板第二行
nTmp[1][0] = lpImage[y*nSaveWidth + x - 1 ] ;
nTmp[1][1] = lpImage[y*nSaveWidth + x ] ;
nTmp[1][2] = lpImage[y*nSaveWidth + x + 1 ] ;
// 模板第三行
nTmp[2][0] = lpImage[(y+1)*nSaveWidth + x - 1 ] ;
nTmp[2][1] = lpImage[(y+1)*nSaveWidth + x ] ;
nTmp[2][2] = lpImage[(y+1)*nSaveWidth + x + 1 ] ;
// 计算梯度
for(yy=0; yy<3; yy++)
for(xx=0; xx<3; xx++)
{
dGradOne += nTmp[yy][xx] * nWeight[0][yy][xx] ;
dGradTwo += nTmp[yy][xx] * nWeight[1][yy][xx] ;
}
dGrad = dGradOne*dGradOne + dGradTwo*dGradTwo ;
dGrad = sqrt(dGrad) ;
// 梯度值写入内存
*(pdGrad+y*nWidth+x)=dGrad;
}
}
/*************************************************************************
*
* \函数名称：
* PrewittOperator()
*
* \输入参数:
* CDib * pDib - 指向CDib类的指针，含有原始图象信息
* double * pdGrad - 指向梯度数据的指针，含有图像的梯度信息
*
* \返回值:
* 无
*
* \说明:
* Prewitt算子
*
* 并行边界分割
*
*************************************************************************
*/
void PrewittOperator(CDib * pDib, double * pdGrad)
{
// 遍历图象的纵坐标
int y;
// 遍历图象的横坐标
int x;
// 图象的长宽大小
CSize sizeImage = pDib->GetDimensions();
int nWidth = sizeImage.cx ;
int nHeight = sizeImage.cy ;
// 图像在计算机在存储中的实际大小
CSize sizeImageSave = pDib->GetDibSaveDim();
// 图像在内存中每一行象素占用的实际空间
int nSaveWidth = sizeImageSave.cx;
// 图像数据的指针
LPBYTE lpImage = pDib->m_lpImage;
// 初始化
for(y=0; y<nHeight ; y++ )
for(x=0 ; x<nWidth ; x++ )
{
*(pdGrad+y*nWidth+x)=0;
}
// 设置模板系数
static int nWeight[2][3][3] ;
nWeight[0][0][0] = -1 ;
nWeight[0][0][1] = 0 ;
nWeight[0][0][2] = 1 ;
nWeight[0][1][0] = -1 ;
nWeight[0][1][1] = 0 ;
nWeight[0][1][2] = 1 ;
nWeight[0][2][0] = -1 ;
nWeight[0][2][1] = 0 ;
nWeight[0][2][2] = 1 ;
nWeight[1][0][0] = 1 ;
nWeight[1][0][1] = 1 ;
nWeight[1][0][2] = 1 ;
nWeight[1][1][0] = 0 ;
nWeight[1][1][1] = 0 ;
nWeight[1][1][2] = 0 ;
nWeight[1][2][0] = -1 ;
nWeight[1][2][1] = -1 ;
nWeight[1][2][2] = -1 ;
//这个变量用来表示Laplacian算子象素值
int nTmp[3][3];
// 临时变量
double dGrad ;
double dGradOne;
double dGradTwo;
// 模板循环控制变量
int yy ;
int xx ;
// 下面开始利用Prewitt算子进行计算，为了保证计算所需要的
// 的数据位于图像数据的内部，下面的两重循环的条件是
// y<nHeight-1 而不是y<nHeight，相应的x方向也是x<nWidth-1
// 而不是x<nWidth
for(y=1; y<nHeight-1 ; y++ )
for(x=1 ; x<nWidth-1 ; x++ )
{
dGrad = 0 ;
dGradOne = 0 ;
dGradTwo = 0 ;
// Laplacian算子需要的各点象素值
// 模板第一行
nTmp[0][0] = lpImage[(y-1)*nSaveWidth + x - 1 ] ;
nTmp[0][1] = lpImage[(y-1)*nSaveWidth + x ] ;
nTmp[0][2] = lpImage[(y-1)*nSaveWidth + x + 1 ] ;
// 模板第二行
nTmp[1][0] = lpImage[y*nSaveWidth + x - 1 ] ;
nTmp[1][1] = lpImage[y*nSaveWidth + x ] ;
nTmp[1][2] = lpImage[y*nSaveWidth + x + 1 ] ;
// 模板第三行
nTmp[2][0] = lpImage[(y+1)*nSaveWidth + x - 1 ] ;
nTmp[2][1] = lpImage[(y+1)*nSaveWidth + x ] ;
nTmp[2][2] = lpImage[(y+1)*nSaveWidth + x + 1 ] ;
// 计算梯度
for(yy=0; yy<3; yy++)
for(xx=0; xx<3; xx++)
{
dGradOne += nTmp[yy][xx] * nWeight[0][yy][xx] ;
dGradTwo += nTmp[yy][xx] * nWeight[1][yy][xx] ;
}
dGrad = dGradOne*dGradOne + dGradTwo*dGradTwo ;
dGrad = sqrt(dGrad) ;
// 梯度值写入内存
*(pdGrad+y*nWidth+x)=dGrad;
}
}
/*************************************************************************
*
* \函数名称：
* EdgeTrack()
*
* \输入参数:
* CDib * pDib - 指向CDib类的指针，含有原始图象信息
* unsigned char * pUnEdgeTrack - 指向边界跟踪结果的指针
*
* \返回值:
* 无
*
* \说明:
* pUnEdgeTrack指针指向的数据区存储了边界跟踪的结果，其中1（逻辑）表示
* 对应象素为边界点，0表示为非边界点
*
* 串行边界分割
*
*************************************************************************
*/
void EdgeTrack(CDib * pDib, unsigned char * pUnEdgeTrack)
{
static int nDx[8]={-1,-1,-1, 0, 0, 1, 1, 1};
static int nDy[8]={-1, 0, 1,-1, 1,-1, 0, 1};
// 遍历图象的纵坐标
int y;
// 遍历图象的横坐标
int x;
// 图象的长宽大小
CSize sizeImage = pDib->GetDimensions();
int nWidth = sizeImage.cx ;
int nHeight = sizeImage.cy ;
// 指向梯度数据的指针
double * pdGrad;
// 按照图像的大小开辟内存空间，存储梯度计算的结果
pdGrad=new double[nHeight*nWidth];
// 调用Roberts算子求梯度
RobertsOperator(pDib, pdGrad);
// 定义当前象素梯度值
double dCurrGrad = 0;
// 定义最大梯度值
double dMaxGrad;
// 设置初值
dMaxGrad = 0;
// 最大梯度值对应的象素点坐标
int nPx;
int nPy;
nPx = 0;
nPy = 0;
// 求梯度最大值所在的象素点坐标
for(y=0; y<nHeight; y++)
{
for(x=0; x<nWidth; x++)
{
dCurrGrad = pdGrad[y*nWidth + x] ;
if( dMaxGrad< dCurrGrad )
{
dMaxGrad = dCurrGrad;
nPx = x ;
nPy = y ;
}
}
}
// 初始化
memset(pUnEdgeTrack,0,sizeof(unsigned char)*nWidth*nHeight);
dCurrGrad = pdGrad[nPy*nWidth + nPx] ;
// 从（nPx，nPy）点开始进行边界跟踪
pUnEdgeTrack[nPy*nWidth + nPx] = 255 ;
// 循环变量，遍历当前象素的8邻域
int i ;
int yy;
int xx;
int nDetX;
int nDetY;
while(dCurrGrad>10)
{
// 设置当前点为边界点
pUnEdgeTrack[nPy*nWidth + nPx] = 255 ;
dMaxGrad = 0 ;
for(i=0; i<8; i++)
{
nDetX=nDx[i];
nDetY=nDy[i];
y = nPy + nDetY;
x = nPx + nDetX;
// 判断是否在图像内部
if(x>=0 && x<nWidth && y>=0 && y<nHeight)
{
if( ( pdGrad[y*nWidth + x] > dMaxGrad) && ( pUnEdgeTrack[y*nWidth + x] == 0) )
{
dMaxGrad = pdGrad[y*nWidth + x] ;
yy = y;
xx = x;
}
}
}
// 下一个边界点的梯度，横纵坐标
dCurrGrad = dMaxGrad ;
nPy = yy;
nPx = xx;
}
//释放内存
delete pdGrad;
pdGrad = NULL;
}
/*************************************************************************
*
* \函数名称：
* MakeGauss()
*
* \输入参数:
* double sigma - 高斯函数的标准差
* double **pdKernel - 指向高斯数据数组的指针
* int *pnWindowSize - 数据的长度
*
* \返回值:
* 无
*
* \说明:
* 这个函数可以生成一个一维的高斯函数的数字数据，理论上高斯数据的长度应
* 该是无限长的，但是为了计算的简单和速度，实际的高斯数据只能是有限长的
* pnWindowSize就是数据长度
*
*************************************************************************
*/
void MakeGauss(double sigma, double **pdKernel, int *pnWindowSize)
{
// 循环控制变量
int i ;
// 数组的中心点
int nCenter;
// 数组的某一点到中心点的距离
double dDis ;
double PI = 3.14159;
// 中间变量
double dValue;
double dSum ;
dSum = 0 ;
// 数组长度，根据概率论的知识，选取[-3*sigma, 3*sigma]以内的数据。
// 这些数据会覆盖绝大部分的滤波系数
*pnWindowSize = 1 + 2 * ceil(3 * sigma);
// 中心
nCenter = (*pnWindowSize) / 2;
// 分配内存
*pdKernel = new double[*pnWindowSize] ;
for(i=0; i< (*pnWindowSize); i++)
{
dDis = (double)(i - nCenter);
dValue = exp(-(1/2)*dDis*dDis/(sigma*sigma)) / (sqrt(2 * PI) * sigma );
(*pdKernel)[i] = dValue ;
dSum += dValue;
}
// 归一化
for(i=0; i<(*pnWindowSize) ; i++)
{
(*pdKernel)[i] /= dSum;
}
}
/*************************************************************************
*
* \函数名称：
* GaussianSmooth()
*
* \输入参数:
* unsigned char * pUnchImg - 指向图象数据的指针
* int nWidth - 图象数据宽度
* int nHeight - 图象数据高度
* double dSigma - 高斯函数的标准差
* unsigned char * pUnchSmthdImg - 指向经过平滑之后的图象数据
*
* \返回值:
* 无
*
* \说明:
* 为了抑止噪声，采用高斯滤波对图象进行滤波，滤波先对x方向进行，然后对
* y方向进行。
*
*************************************************************************
*/
void GaussianSmooth(unsigned char *pUnchImg, int nWidth, int nHeight,
double sigma, unsigned char * pUnchSmthdImg)
{
// 循环控制变量
int y;
int x;
int i;
// 高斯滤波器的数组长度
int nWindowSize;
// 窗口长度的1/2
int nHalfLen;
// 一维高斯数据滤波器
double *pdKernel ;
// 高斯系数与图象数据的点乘
double dDotMul ;
// 高斯滤波系数的总和
double dWeightSum ;
// 中间变量
double * pdTmp ;
// 分配内存
pdTmp = new double[nWidth*nHeight];
// 产生一维高斯数据滤波器
// MakeGauss(sigma, &dKernel, &nWindowSize);
MakeGauss(sigma, &pdKernel, &nWindowSize) ;
// MakeGauss返回窗口的长度，利用此变量计算窗口的半长
nHalfLen = nWindowSize / 2;
// x方向进行滤波
for(y=0; y<nHeight; y++)
{
for(x=0; x<nWidth; x++)
{
dDotMul = 0;
dWeightSum = 0;
for(i=(-nHalfLen); i<=nHalfLen; i++)
{
// 判断是否在图象内部
if( (i+x) >= 0 && (i+x) < nWidth )
{
dDotMul += (double)pUnchImg[y*nWidth + (i+x)] * pdKernel[nHalfLen+i];
dWeightSum += pdKernel[nHalfLen+i];
}
}
pdTmp[y*nWidth + x] = dDotMul/dWeightSum ;
}
}
// y方向进行滤波
for(x=0; x<nWidth; x++)
{
for(y=0; y<nHeight; y++)
{
dDotMul = 0;
dWeightSum = 0;
for(i=(-nHalfLen); i<=nHalfLen; i++)
{
// 判断是否在图象内部
if( (i+y) >= 0 && (i+y) < nHeight )
{
dDotMul += (double)pdTmp[(y+i)*nWidth + x] * pdKernel[nHalfLen+i];
dWeightSum += pdKernel[nHalfLen+i];
}
}
pUnchSmthdImg[y*nWidth + x] = (unsigned char)(int)dDotMul/dWeightSum ;
}
}
// 释放内存
delete []pdKernel;
pdKernel = NULL ;
delete []pdTmp;
pdTmp = NULL;
}
/*************************************************************************
*
* \函数名称：
* DirGrad()
*
* \输入参数:
* unsigned char *pUnchSmthdImg - 经过高斯滤波后的图象
* int nWidht - 图象宽度
* int nHeight - 图象高度
* int *pnGradX - x方向的方向导数
* int *pnGradY - y方向的方向导数
* \返回值:
* 无
*
* \说明:
* 这个函数计算方向倒数，采用的微分算子是(-1 0 1) 和 (-1 0 1)'(转置)
* 计算的时候对边界象素采用了特殊处理
*
*
*************************************************************************
*/
void DirGrad(unsigned char *pUnchSmthdImg, int nWidth, int nHeight,
int *pnGradX , int *pnGradY)
{
// 循环控制变量
int y ;
int x ;
// 计算x方向的方向导数，在边界出进行了处理，防止要访问的象素出界
for(y=0; y<nHeight; y++)
{
for(x=0; x<nWidth; x++)
{
pnGradX[y*nWidth+x] = (int) ( pUnchSmthdImg[y*nWidth+min(nWidth-1,x+1)]
- pUnchSmthdImg[y*nWidth+max(0,x-1)] );
}
}
// 计算y方向的方向导数，在边界出进行了处理，防止要访问的象素出界
for(x=0; x<nWidth; x++)
{
for(y=0; y<nHeight; y++)
{
pnGradY[y*nWidth+x] = (int) ( pUnchSmthdImg[min(nHeight-1,y+1)*nWidth + x]
- pUnchSmthdImg[max(0,y-1)*nWidth+ x ] );
}
}
}
/*************************************************************************
*
* \函数名称：
* GradMagnitude()
*
* \输入参数:
* int *pnGradX - x方向的方向导数
* int *pnGradY - y方向的方向导数
* int nWidht - 图象宽度
* int nHeight - 图象高度
* int *pnMag - 梯度幅度
*
* \返回值:
* 无
*
* \说明:
* 这个函数利用方向倒数计算梯度幅度，方向倒数是DirGrad函数计算的结果
*
*************************************************************************
*/
void GradMagnitude(int *pnGradX, int *pnGradY, int nWidth, int nHeight, int *pnMag)
{
// 循环控制变量
int y ;
int x ;
// 中间变量
double dSqtOne;
double dSqtTwo;
for(y=0; y<nHeight; y++)
{
for(x=0; x<nWidth; x++)
{
dSqtOne = pnGradX[y*nWidth + x] * pnGradX[y*nWidth + x];
dSqtTwo = pnGradY[y*nWidth + x] * pnGradY[y*nWidth + x];
pnMag[y*nWidth + x] = (int)(sqrt(dSqtOne + dSqtTwo) + 0.5);
}
}
}
/*************************************************************************
*
* \函数名称：
* NonmaxSuppress()
*
* \输入参数:
* int *pnMag - 梯度图
* int *pnGradX - x方向的方向导数
* int *pnGradY - y方向的方向导数
* int nWidth - 图象数据宽度
* int nHeight - 图象数据高度
* unsigned char *pUnchRst - 经过NonmaxSuppress处理后的结果
*
* \返回值:
* 无
*
* \说明:
* 抑止梯度图中非局部极值点的象素。
*
*************************************************************************
*/
void NonmaxSuppress(int *pnMag, int *pnGradX, int *pnGradY, int nWidth,
int nHeight, unsigned char *pUnchRst)
{
// 循环控制变量
int y ;
int x ;
int nPos;
// x方向梯度分量
int gx ;
int gy ;
// 临时变量
int g1, g2, g3, g4 ;
double weight ;
double dTmp1 ;
double dTmp2 ;
double dTmp ;
// 设置图象边缘部分为不可能的边界点
for(x=0; x<nWidth; x++)
{
pUnchRst[x] = 0 ;
pUnchRst[nHeight-1+x] = 0;
}
for(y=0; y<nHeight; y++)
{
pUnchRst[y*nWidth] = 0 ;
pUnchRst[y*nWidth + nWidth-1] = 0;
}
for(y=1; y<nHeight-1; y++)
{
for(x=1; x<nWidth-1; x++)
{
nPos = y*nWidth + x ;
// 如果当前象素的梯度幅度为0，则不是边界点
if(pnMag[nPos] == 0 )
{
pUnchRst[nPos] = 0 ;
}
else
{
// 当前象素的梯度幅度
dTmp = pnMag[nPos] ;
// x，y方向导数
gx = pnGradX[nPos] ;
gy = pnGradY[nPos] ;
// 如果方向导数y分量比x分量大，说明导数的方向更加“趋向”于y分量。
if (abs(gy) > abs(gx))
{
// 计算插值的比例
weight = fabs(gx)/fabs(gy);
g2 = pnMag[nPos-nWidth] ;
g4 = pnMag[nPos+nWidth] ;
// 如果x，y两个方向的方向导数的符号相同
// C是当前象素，与g1-g4的位置关系为：
// g1 g2
// C
// g4 g3
if (gx*gy > 0)
{
g1 = pnMag[nPos-nWidth-1] ;
g3 = pnMag[nPos+nWidth+1] ;
}
// 如果x，y两个方向的方向导数的符号相反
// C是当前象素，与g1-g4的位置关系为：
// g2 g1
// C
// g3 g4
else
{
g1 = pnMag[nPos-nWidth+1] ;
g3 = pnMag[nPos+nWidth-1] ;
}
}
// 如果方向导数x分量比y分量大，说明导数的方向更加“趋向”于x分量
// 这个判断语句包含了x分量和y分量相等的情况
else
{
// 计算插值的比例
weight = fabs(gy)/fabs(gx);
g2 = pnMag[nPos+1] ;
g4 = pnMag[nPos-1] ;
// 如果x，y两个方向的方向导数的符号相同
// C是当前象素，与g1-g4的位置关系为：
// g3
// g4 C g2
// g1
if (gx*gy > 0)
{
g1 = pnMag[nPos+nWidth+1] ;
g3 = pnMag[nPos-nWidth-1] ;
}
// 如果x，y两个方向的方向导数的符号相反
// C是当前象素，与g1-g4的位置关系为：
// g1
// g4 C g2
// g3
else
{
g1 = pnMag[nPos-nWidth+1] ;
g3 = pnMag[nPos+nWidth-1] ;
}
}
// 下面利用g1-g4对梯度进行插值
{
dTmp1 = weight*g1 + (1-weight)*g2 ;
dTmp2 = weight*g3 + (1-weight)*g4 ;
// 当前象素的梯度是局部的最大值
// 该点可能是个边界点
if(dTmp>=dTmp1 && dTmp>=dTmp2)
{
pUnchRst[nPos] = 128 ;
}
else
{
// 不可能是边界点
pUnchRst[nPos] = 0 ;
}
}
} //else
} // for
}
}
/*************************************************************************
*
* \函数名称：
* TraceEdge()
*
* \输入参数:
* int x - 跟踪起点的x坐标
* int y - 跟踪起点的y坐标
* int nLowThd - 判断一个点是否为边界点的低阈值
* unsigned char *pUnchEdge - 记录边界点的缓冲区
* int *pnMag - 梯度幅度图
* int nWidth - 图象数据宽度
*
* \返回值:
* 无
*
* \说明:
* 递归调用
* 从(x,y)坐标出发，进行边界点的跟踪，跟踪只考虑pUnchEdge中没有处理并且
* 可能是边界点的那些象素(=128),象素值为0表明该点不可能是边界点，象素值
* 为255表明该点已经被设置为边界点，不必再考虑
*
*
*************************************************************************
*/
void TraceEdge (int y, int x, int nLowThd, unsigned char *pUnchEdge, int *pnMag, int nWidth)
{
// 对8邻域象素进行查询
int xNb[8] = {1, 1, 0,-1,-1,-1, 0, 1} ;
int yNb[8] = {0, 1, 1, 1,0 ,-1,-1,-1} ;
int yy ;
int xx ;
int k ;
for(k=0; k<8; k++)
{
yy = y + yNb[k] ;
xx = x + xNb[k] ;
// 如果该象素为可能的边界点，又没有处理过
// 并且梯度大于阈值
if(pUnchEdge[yy*nWidth+xx] == 128 && pnMag[yy*nWidth+xx]>=nLowThd)
{
// 把该点设置成为边界点
pUnchEdge[yy*nWidth+xx] = 255 ;
// 以该点为中心进行跟踪
TraceEdge(yy, xx, nLowThd, pUnchEdge, pnMag, nWidth);
}
}
}
/*************************************************************************
*
* \函数名称：
* EstimateThreshold()
*
* \输入参数:
* int *pnMag - 梯度幅度图
* int nWidth - 图象数据宽度
* int nHeight - 图象数据高度
* int *pnThdHigh - 高阈值
* int *pnThdLow - 低阈值
* double dRatioLow - 低阈值和高阈值之间的比例
* double dRatioHigh - 高阈值占图象象素总数的比例
* unsigned char *pUnchEdge - 经过non-maximum处理后的数据
*
* \返回值:
* 无
*
* \说明:
* 经过non-maximum处理后的数据pUnchEdge，统计pnMag的直方图，确定阈值。
* 本函数中只是统计pUnchEdge中可能为边界点的那些象素。然后利用直方图，
* 根据dRatioHigh设置高阈值，存储到pnThdHigh。利用dRationLow和高阈值，
* 设置低阈值，存储到*pnThdLow。dRatioHigh是一种比例：表明梯度小于
* *pnThdHigh的象素数目占象素总数目的比例。dRationLow表明*pnThdHigh
* 和*pnThdLow的比例，这个比例在canny算法的原文里，作者给出了一个区间。
*
*************************************************************************
*/
void EstimateThreshold(int *pnMag, int nWidth, int nHeight, int *pnThdHigh,int *pnThdLow,
unsigned char * pUnchEdge, double dRatioHigh, double dRationLow)
{
// 循环控制变量
int y;
int x;
int 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[1024] ;
// 可能的边界数目
int nEdgeNb ;
// 最大梯度值
int nMaxMag ;
int nHighCount ;
nMaxMag = 0 ;
// 初始化
for(k=0; k<1024; k++)
{
nHist[k] = 0;
}
// 统计直方图，然后利用直方图计算阈值
for(y=0; y<nHeight; y++)
{
for(x=0; x<nWidth; x++)
{
// 只是统计那些可能是边界点，并且还没有处理过的象素
if(pUnchEdge[y*nWidth+x]==128)
{
nHist[ pnMag[y*nWidth+x] ]++;
}
}
}
nEdgeNb = nHist[0] ;
nMaxMag = 0 ;
// 统计经过“非最大值抑止(non-maximum suppression)”后有多少象素
for(k=1; k<1024; k++)
{
if(nHist[k] != 0)
{
// 最大梯度值
nMaxMag = k;
}
// 梯度为0的点是不可能为边界点的
// 经过non-maximum suppression后有多少象素
nEdgeNb += nHist[k];
}
// 梯度比高阈值*pnThdHigh小的象素点总数目
nHighCount = (int)(dRatioHigh * nEdgeNb +0.5);
k = 1;
nEdgeNb = nHist[1];
// 计算高阈值
while( (k<(nMaxMag-1)) && (nEdgeNb < nHighCount) )
{
k++;
nEdgeNb += nHist[k];
}
// 设置高阈值
*pnThdHigh = k ;
// 设置低阈值
*pnThdLow = (int)((*pnThdHigh) * dRationLow+ 0.5);
}
/*************************************************************************
*
* \函数名称：
* Hysteresis()
*
* \输入参数:
* int *pnMag - 梯度幅度图
* int nWidth - 图象数据宽度
* int nHeight - 图象数据高度
* double dRatioLow - 低阈值和高阈值之间的比例
* double dRatioHigh - 高阈值占图象象素总数的比例
* unsigned char *pUnchEdge - 记录边界点的缓冲区
*
* \返回值:
* 无
*
* \说明:
* 本函数实现类似“磁滞现象”的一个功能，也就是，先调用EstimateThreshold
* 函数对经过non-maximum处理后的数据pUnchSpr估计一个高阈值，然后判断
* pUnchSpr中可能的边界象素(=128)的梯度是不是大于高阈值nThdHigh，如果比
* 该阈值大，该点将作为一个边界的起点，调用TraceEdge函数，把对应该边界
* 的所有象素找出来。最后，当整个搜索完毕时，如果还有象素没有被标志成
* 边界点，那么就一定不是边界点。
*
*************************************************************************
*/
void Hysteresis(int *pnMag, int nWidth, int nHeight, double dRatioLow,
double dRatioHigh, unsigned char *pUnchEdge)
{
// 循环控制变量
int y;
int x;
int nThdHigh ;
int nThdLow ;
int nPos;
// 估计TraceEdge需要的低阈值，以及Hysteresis函数使用的高阈值
EstimateThreshold(pnMag, nWidth, nHeight, &nThdHigh,
&nThdLow, pUnchEdge,dRatioHigh, dRatioLow);
// 这个循环用来寻找大于nThdHigh的点，这些点被用来当作边界点，然后用
// TraceEdge函数来跟踪该点对应的边界
for(y=0; y<nHeight; y++)
{
for(x=0; x<nWidth; x++)
{
nPos = y*nWidth + x ;
// 如果该象素是可能的边界点，并且梯度大于高阈值，该象素作为
// 一个边界的起点
if((pUnchEdge[nPos] == 128) && (pnMag[nPos] >= nThdHigh))
{
// 设置该点为边界点
pUnchEdge[nPos] = 255;
TraceEdge(y, x, nThdLow, pUnchEdge, pnMag, nWidth);
}
}
}
// 那些还没有被设置为边界点的象素已经不可能成为边界点
for(y=0; y<nHeight; y++)
{
for(x=0; x<nWidth; x++)
{
nPos = y*nWidth + x ;
if(pUnchEdge[nPos] != 255)
{
// 设置为非边界点
pUnchEdge[nPos] = 0 ;
}
}
}
}
/*************************************************************************
*
* \函数名称：
* Canny()
*
* \输入参数:
* unsigned char *pUnchImage- 图象数据
* int nWidth - 图象数据宽度
* int nHeight - 图象数据高度
* double sigma - 高斯滤波的标准方差
* double dRatioLow - 低阈值和高阈值之间的比例
* double dRatioHigh - 高阈值占图象象素总数的比例
* unsigned char *pUnchEdge - canny算子计算后的分割图
*
* \返回值:
* 无
*
* \说明:
* canny分割算子，计算的结果保存在pUnchEdge中，逻辑1(255)表示该点为
* 边界点，逻辑0(0)表示该点为非边界点。该函数的参数sigma，dRatioLow
* dRatioHigh，是需要指定的。这些参数会影响分割后边界点数目的多少
*************************************************************************
*/
void Canny(unsigned char *pUnchImage, int nWidth, int nHeight, double sigma,
double dRatioLow, double dRatioHigh, unsigned char *pUnchEdge)
{
// 经过高斯滤波后的图象数据
unsigned char * pUnchSmooth ;
// 指向x方向导数的指针
int * pnGradX ;
// 指向y方向导数的指针
int * pnGradY ;
// 梯度的幅度
int * pnGradMag ;
pUnchSmooth = new unsigned char[nWidth*nHeight] ;
pnGradX = new int [nWidth*nHeight] ;
pnGradY = new int [nWidth*nHeight] ;
pnGradMag = new int [nWidth*nHeight] ;
// 对原图象进行滤波
GaussianSmooth(pUnchImage, nWidth, nHeight, sigma, pUnchSmooth) ;
// 计算方向导数
DirGrad(pUnchSmooth, nWidth, nHeight, pnGradX, pnGradY) ;
// 计算梯度的幅度
GradMagnitude(pnGradX, pnGradY, nWidth, nHeight, pnGradMag) ;
// 应用non-maximum 抑制
NonmaxSuppress(pnGradMag, pnGradX, pnGradY, nWidth, nHeight, pUnchEdge) ;
// 应用Hysteresis，找到所有的边界
Hysteresis(pnGradMag, nWidth, nHeight, dRatioLow, dRatioHigh, pUnchEdge);
// 释放内存
delete pnGradX ;
pnGradX = NULL ;
delete pnGradY ;
pnGradY = NULL ;
delete pnGradMag ;
pnGradMag = NULL ;
delete pUnchSmooth ;
pUnchSmooth = NULL ;
}