1.一种基于边缘自生长的Canny边缘检测方法，其特征在于：该方法包括以下步骤：

1)对图像进行平滑滤波，用高斯滤波去除噪声；

2)利用0°、45°、90°和135°算子计算灰度值的梯度幅值，并利用坐标轴投影将45°、135°算子计算的梯度幅值合成到0°、90°，然后计算梯度方向；

3)对垂直于梯度方向的梯度值A进行非极大值抑制计算，将梯度值A与相邻两个梯度值进行比较，若梯度值A为极大值，则认为图像点是可能的边缘，保留其值，否则认为梯度值A不是边缘，直接取0；

4)利用OTSU算法求类间方差的最大值作为高阈值，低阈值取高阈值的二分之一；

5)利用高低阈值对梯度进行二值化，得到初步的二值化边缘图像；

6)利用自生长算法进行断裂边缘补全，得到最终边缘图像；

所述步骤1)具体为：

利用二维高斯滤波器对原始灰度图像进行滤波操作，高斯滤波函数表示如下通过对原始图像f(x,y)与高斯滤波函数进行卷积，得到滤波后的图像g(x,y)，其过程表示为：g(x,y)＝f(x,y)*H(x,y) (2)在实际数字图像处理中σ取值为1.4，高斯模板为5×5时，高斯核函数为所述步骤2)具体为：

利用卷积核分别计算各个方向的梯度值，其具体计算公式如下：当得到4个方向的梯度值后，利用坐标投影原理将梯度合成在水平垂直两个方向上，计算方式如下：计算出当前像素点灰度值的梯度幅值G(x,y)和梯度角度θ(x,y)分别为：θ(x,y)＝arctan[GY(x,y)/GX(x,y)] (11)所述步骤3)中：

对于梯度幅值图像上一点(x,y)，与其周围像素构成一个3×3的矩阵，矩阵为判断该点是否为可能的边缘点的条件如下：当w(x,y)满足上述条件时，说明该值为极大值，保留其值，当其不满足条件时，直接将其值取零，完成对非极大值的抑制，得到新的梯度矩阵G′；

所述步骤4)中：

大小为m×n的灰度图像中某一点的灰度值为f(x,y)，其取值范围为[0,L]，灰度值为k的像素点出现的概率如式(14)所示：设阈值大小为T，0＜T＜L‑1，把图像分割为两部分，第一部分占整个图像的比例为第二部分占整个图像的比例为第一部分灰度均值为

第二部分灰度均值为

整个图像灰度均值为

μ＝ω0(T)μ0(T)+ω1(T)μ1(T) (19)两部分之间的类间方差为

对T的所有取值求类间方差，使类间方差g(T)取最大值时的T值即为最佳阈值，即求出canny算法的高阈值Th＝T，低阈值Tl＝0.5T；

所述步骤5)中：

对于梯度矩阵G′中任意一点G′(x,y)，大于高阈值直接时取1，小于低阈值时直接取0，即当G′(x,y)取值为高低阈值之间时

所述步骤6)具体为：

a.全局扫描扫描判定断裂点；

对二值化边缘图像T整个图像使用3×3大小的矩阵w进行遍历取值，其中遍历方式为从左到右，从上到下，步进为1，对于经非极大值抑制后的边缘可能存在的边缘断裂点像素分布，当w(x,y)＝1时，开始判定该点是否为断裂点；

当矩阵w的和S(w)＝2时，直接判定为断裂点；

当S(w)＝3时，判定条件为：

其中，S(w2n)为矩阵w的第2行和，S(wn1)、S(wn3)分别为矩阵w的第1列和及第3列和，S(wn2)为矩阵w的第2列和，S(w1n)、S(w3n)分别为矩阵w的第1行和及第3行和；满足上述条件时判定为断裂点；

当此时矩阵w满足断裂点判断条件时，即存在断裂点a(xa,ya)＝w(x,y)，进入步骤b；否则移动窗口，w重新取值，在步骤a中继续判定，直至完成整个窗口的遍历，进入步骤d；

b.设定半径搜寻另一断裂点；

因为窗口w遍历顺序为从上到下，故搜索断裂点周围另一断裂点时不用搜索该点的上方；搜索方式类似步骤a，依然使用窗口进行遍历，得到矩阵w′，搜索半径为15时，窗口的遍历行范围为[xa,xa+15]，列范围为[ya‑15,ya+15]，当此范围内存在满足步骤a中断裂点判断条件的矩阵w′时，即存在另一断裂点，搜索范围内所有断点，并比较其与a点的距离，选择最小距离，得到断裂点b(xb,yb)＝w'(x′,y′)，进入步骤c；否则不存在另一断裂点，返回步骤a并移动窗口；

c.边缘自生长；

对断裂处的两端，即a(xa,yb)、b(xb,yb)两点进行最短距离连接；首先计算a、b两点行列值的差值由遍历方式知xab≥0，当yab≥0时，b点位于a点右方，然后比较xab、yab的值，若xab≥yab，则令若xab＜yab，则令

当yab＜0时，b点位于a点左方，比较xab、yab的值，若xab≥|yab|，则令若xab＜|yab|，则令

如此则完成生长后返回步骤a并移动窗口；

d.完成生长并输出

进入该步骤表明断裂边缘已完成自生长修复，此时的二值矩阵T即是最终的边缘图像。