Canny算法具有信噪比大和准确率搞的优点，在边缘检测方面应用广泛，本文以OpenCV函数库中的Canny算法为参照对象，对其缺点提出了三方面改进。

其一，OpenCV函数库中的Canny算法采用的高斯平滑滤波器不能有效的抑制脉冲噪声，且平滑降噪和边缘检测之间具有冲突，滤波在抑制噪声的同时，图像边缘也被平滑，影响边缘检测精度。 其二，之后利用Sobel算子计算x和y方向的偏导数，非极大值抑制进而得到梯度的过程，对噪声过于敏感，容易产生比较明显的误差。 其三，检测和连接边缘的双阈值法中阈值需要人为设定，而阈值设置过高易丢失细节信息，边缘断裂，过低易检测出伪边缘。

针对平滑降噪和边缘检测之间的冲突问题，此论文提出了采用多尺度形态学滤波去噪，再结合双边滤波去噪的方法，不仅降低噪声会检测的影响，还保留图像完整的细节信息。

针对方向偏导数计算时对噪声敏感的问题，此论文采用了Scharr算子代替Sobel算子，梯度方向由四个方向梯度求得，减小了误差。

针对双阈值法中阈值需要人为设定的问题，此论文采用了最大熵自适应设定阈值的方法得到双阈值法中的高阈值，经实验低阈值采用高阈值的0.4时提取效果最佳，从而增强了算法的自适应能力。

结论： 经实验表明，改进的Canny算法可为后续实时道路监控和路面缺陷等裂缝检测提供实验依据，但对于微小裂缝仍有不足。

我对多尺度形态学滤波的理解参照：《一种基于改进的形态学算子的边缘检测算法》一文，其主要思想为采用不同尺度的结构元对图像进行形态学变换，再进行加权融合。

高斯滤波是最常用的图像去噪方法之一，它能很好地滤除掉图像中随机出现的高斯噪声，但是高斯滤波是一种低通滤波，它在滤除图像中噪声信号的同时，也会对图像中的边缘信息进行平滑，表现出来的结果就是图像变得模糊。 高斯滤波之所以会导致图像变得模糊，是因为它在滤波过程中只关注了位置信息；例如，以 q 为中心的窗口中，某一点 p在高斯滤波过程中的权重的计算方法如下式；

即在滤波窗口内，距离中心点越近的点的权重越大；这种只关注距离的思想在某些情况下是可行的，例如在平坦的区域，距离越近的区域其像素分布也越相近，自然地，这些点的像素值对滤波中心点的像素值更有参考价值。但是在像素值出现跃变的边缘区域，这种方法会适得其反，损失掉有用的边缘信息。此时就出现了一类算法——边缘保护滤波方法，双边滤波就是最常用的边缘保护滤波方法（另一种常用来与双边滤波对比的边缘保护滤波方法——引导滤波）。 双边滤波的思想很简单，在高斯滤波的基础上加入了像素值权重项，也就是说既要考虑距离因素，也要考虑像素值差异的影响，像素值越相近，权重越大。

多尺度形态学和双边滤波结合的方法相比高斯滤波、双边滤波等去噪方法能更为有效地降低噪声，提高裂缝检测的精确度，且程序运行时间要低于小波降噪方法。

Scharr一般是配合Sobel算子的运算而存在的一个万年备胎。scharr算子临近像素的权重更大，故精确度更高，scharr算子能计算出更小的梯度变化。 Scharr滤波器设计用于消除小核Sobel导数误差，目前Opencv Scharr只支持3x3的Sobel核。将cv::Sobel()方法的ksize参数设置成 cv::SCHARR 就能消除3x3核带来的误差，并拥有同Sobel导数同样快的速度。

许多情况，图像f(x,y),由亮对象和暗背景组成。图像是由具有不同灰度级的两类区域组成，如文字与纸张。 特点：直方图具有两个不同灰度级范围的尖峰，分别对应图像中的对象和背景。 故可选择一个门限，将两个峰分开，门限即为阈值。

在很多图像处理的过程中，需要判别一个图像的清晰度，和图像分割结果的优劣，于是就引出了信息熵的概念，绝大多数时候，它都被用来作为评价图像的一个量化标准。

假设我们听到了两件事，分别如下： 事件A：巴西队进入了2018世界杯决赛圈。 事件B：中国队进入了2018世界杯决赛圈。 仅凭直觉来说，显而易见事件B的信息量比事件A的信息量要大。究其原因，是因为事件A发生的概率很大，事件B发生的概率很小。所以当越不可能的事件发生了，我们获取到的信息量就越大。越可能发生的事件发生了，我们获取到的信息量就越小。那么信息量应该和事件发生的概率有关。 我们现在有了信息量的定义，而熵用来表示所有信息量的期望

最大熵原理是一种选择随机变量统计特性最符合客观情况的准则。 若将一张图片的像素分为两类，其中一类为内容，一类为背景，则内容与背景之间的熵即为最大。 既图像灰度的两部分概率最接近，此时可以看作灰度直方图中两个波峰中间的波谷，此时的阈值即为最合适的阈值。

本文中的多尺度形态学滤波和双边滤波结合的方法适用性较强，但个人认为，在复杂的环境中，最大熵算法并不一定经得起考验。 读完之后仍有以下疑问，部分不够理解