فایل MATLAB الگوریتم آشکارسازی لبه در تصویربه روش Canny

function h=mycanny(x,thresh,n)
x=double(x);
f=smooth_gray(x);
[f t]=sobel_gray(f);
y=non_max(f,t);
g=thresh_gray(y,thresh);
h=edge_track(g,n);
h=tresh_gray2(h);
imshow(x,[]);
figure
imshow(f*5)
figure
imshow(g)
figure
imshow(h)
% image smoothing by Gaussian mean wight mask :5*5
% the image must be in gray level
function y=smooth_gray(x)
h=[2 4 5 4 2;4 9 12 9 4;5 12 15 12 5;4 9 12 9 4;2 4 5 4 2];
%Convolution
y=imfilter(x,h, 'replicate');
y=y/max(y(:));
end
.
.
.
.
.
.

معیارهای کنی برای استخراج لبه در پردازش تصویر

 مرز بین نواحی با خواص نسبتا متفاوت در سطح خاکستری، لبه نامیده می‌شود.الگوریتم های زیادی به منظور آشکار سازی لبه ها در مبحث پردازش تصویرارائه شده اند . اساس بسیاری از این الگوریتم ها و روش ها مشتق گیری از تصویر می باشد آشکارسازی لبه در تصویر به مفهوم کاهش اطلاعات غیر مفید از داده ها ، همراه با حفظ خصوصیات ساختاری مهم است.الگوریتم canny  در آشکارسا زی لبه به الگوریتم بهینه معروف است . اهداف این روش عبارتند از : اولین و مهمترین هدف آن نرخ خطای کم بود . مهم است که لبه های موجود در تصاویر از دست نروند و الگوریتم برای غیر لبه ها واکنش نشان ندهد . دومین هدفش این بود که نقاط موجود در لبه به خوبی شناسایی شوند ، به بیان دیگر فاصله ی بین پیکسلها ی لبه که توسط آشکارساز پیدا شده و حالت واقعی آن مینیمم باشد . معیار سوم این است که الگوریتم نسبت به لبه ی منفرد تنها یک واکنش نشان دهد. این معیار به این علت در نظر گرفته شد که دو معیار اول به اندازه ی کافی توانایی آن را نداشتند تا اثر واکنش های چندگانه نسبت به یک لبه را حذف کنند . مسئله مهم دیگر که در آشکار سازی لبه ها موجب آزار می شود ، وجود