基于改進(jìn)Canny算法的車輪踏面邊緣檢測

摘 要：近年來，列車檢修逐漸由人檢轉(zhuǎn)換為機(jī)檢，針對在踏面損傷檢測圖像處理過程中，由于環(huán)境光照、背景區(qū)域復(fù)雜等因素影響，導(dǎo)致圖像踏面目標(biāo)區(qū)域邊緣檢測效果差、細(xì)節(jié)信息丟失等問題，提出一種基于引導(dǎo)濾波改進(jìn)Canny算子的邊緣檢測算法。首先，利用中值濾波和引導(dǎo)濾波組成的混合濾波進(jìn)行圖像去噪處理，在濾除噪聲的同時具有良好的保邊特性；接著，擴(kuò)展梯度模板的計(jì)算方向來獲得梯度幅值；最后，利用邊緣信息改進(jìn)全局閾值的方法自適應(yīng)獲得高低閾值。基于引導(dǎo)濾波改進(jìn)Canny算子的邊緣檢測算法能夠有效濾除圖像噪聲，同時檢測出更多的踏面損傷邊緣信息。

關(guān)鍵詞：列車；車輪踏面；損傷；邊緣檢測；引導(dǎo)濾波

中圖分類號：U292.9 文獻(xiàn)標(biāo)志碼：A 文章編號：2095-2945（2024）31-0017-07

Abstract： In recent years， train maintenance has gradually shifted from human inspection to machine inspection. In view of the problem of poor edge detection in the image processing process of tread damage detection， due to factors such as environmental lighting and complex background areas， the edge detection effect of the image tread target area is poor and the detail information is lost， an edge detection algorithm based on guided filtering to improve the canny operator is proposed. First， a hybrid filter composed of median filter and guided filter is used to denoise the image， which filters out noise and has good edge preservation characteristics; then， the calculation direction of the gradient template is expanded to obtain the gradient amplitude; finally， edge information is used to improve the global threshold method adaptively obtains high and low thresholds. The edge detection algorithm based on guided filtering and improved canny operator can effectively filter out image noise and detect more edge information of tread damage.

Keywords： train; wheel tread; damage; edge detection; guided filtering

列車車輪是走行部的關(guān)鍵零部件，經(jīng)過長時間的使用，輪對踏面容易產(chǎn)生擦傷、剝離等缺陷，給車輛安全運(yùn)行帶來隱患。自20世紀(jì)70年代開始，國內(nèi)外學(xué)者就對車輪踏面損傷檢測技術(shù)進(jìn)行了研究，并取得了不錯的成果[1]。國內(nèi)學(xué)者葛林富等[2]在損傷檢測方面，采用振動加速度法計(jì)算出擦傷深度和位置；Krummenacher等[3]提出了2種自動檢測車輪缺陷的機(jī)器學(xué)習(xí)方法，該檢測方法比較完整，但采集裝置穩(wěn)定性不能保證，存在干擾噪聲。此外，超聲檢測法[4]、機(jī)械檢測法等也被廣泛應(yīng)用于踏面損傷檢測。上述方法檢測速度快、精度高，但同時檢測步驟也比較復(fù)雜，存在檢測效率低等問題，并未能完全投入現(xiàn)場正常使用。

隨著機(jī)器視覺技術(shù)的高速發(fā)展，其優(yōu)越性越發(fā)突出，基于圖像處理的輪對踏面損傷檢測逐漸成為了一種行之有效的方法。邊緣檢測技術(shù)是列車輪對踏面損傷檢測圖像處理方法中的重要一環(huán)，通過邊緣檢測，既能將復(fù)雜背景和踏面區(qū)域分開，又能提取出損傷區(qū)域邊緣信息，為后續(xù)進(jìn)一步損傷類型識別提供基礎(chǔ)[5]。經(jīng)典的邊緣檢測算子有Prewitt算子、Sobel算子、Canny算子和拉普拉斯算子等[6]。Canny算子因具有高精度、高信噪比、單一邊緣點(diǎn)響應(yīng)等優(yōu)點(diǎn)，相比之下檢測效果較優(yōu)，被廣泛應(yīng)用。但在實(shí)際運(yùn)用過程中，隨著圖像復(fù)雜程度增加、成像質(zhì)量高低不一等情況出現(xiàn)，傳統(tǒng)的Canny檢測算法在實(shí)際檢測輪對踏面和損傷區(qū)域邊緣時，存在邊緣信息丟失等問題。本文針對上述問題，利用真實(shí)現(xiàn)場采集的輪對踏面圖像，提出一種改進(jìn)的Canny邊緣檢測算法，該算法能有效抑制虛假邊緣，保留更多輪對邊緣信息，有效反映踏面表面損傷真實(shí)情況，提升列車輪對檢修效率和精度，同時，有助于建立高效實(shí)用的輪對踏面損傷檢測系統(tǒng)。

1 傳統(tǒng)Canny邊緣檢測算法

1.1 檢測流程

傳統(tǒng)的Canny算法是一種多級邊緣檢測算法，由John F.Canny于1986年首次提出，該算法主要由4個步驟組成[7]。

高斯濾波平滑圖像。由于在成像過程中，受元器件和電路結(jié)構(gòu)、信號傳輸過程等因素影響，不可避免地會產(chǎn)生圖像噪聲，這些噪聲會降低圖像質(zhì)量，干擾邊緣檢測效果，導(dǎo)致偽邊緣結(jié)果增多。傳統(tǒng)Canny邊緣檢測算法在去除灰度圖像f（x，y）中的噪聲時采用高斯濾波方法，濾波后圖像為g（x，y）。二維高斯函數(shù)為

式中：？滓為標(biāo)準(zhǔn)差。

計(jì)算梯度幅值和方向。若要進(jìn)行邊緣檢測，則需得到圖像梯度信息，傳統(tǒng)Canny算法采用一階差分算子計(jì)算像素點(diǎn)的梯度方向和幅值。偏導(dǎo)矩陣在水平和豎直2個方向上的數(shù)學(xué)表達(dá)式為

利用式（2）、式（3）計(jì)算像素梯度幅值Ｍ（x，y）和梯度方向？茲的計(jì)算分別如式（4）、式（5）所示

非極大值抑制。在獲得圖像各像素點(diǎn)的梯度方向和幅值后，對像素梯度幅值進(jìn)行非極大值抑制操作，尋找圖像中可能的邊緣點(diǎn)。具體方法為，判斷某像素點(diǎn)梯度幅值是否是周圍具有相同梯度方向中最大的，若不是，則將該點(diǎn)灰度值置零，反之則保留該點(diǎn)作為候選邊緣點(diǎn)。

滯后閾值檢測。經(jīng)過上述步驟，圖像大部分實(shí)際邊緣可以被比較準(zhǔn)確檢測，但此時可能錯誤保留了部分偽邊緣，若要進(jìn)一步確定真正的邊界，需通過高低雙閾值對偽邊緣等情況進(jìn)行濾除。具體操作：當(dāng)圖像的灰度梯度高于高閾值時認(rèn)為是真的邊緣，若低于低閾值的點(diǎn)則會被舍棄；如果介于兩者之間，需進(jìn)一步判斷其8領(lǐng)域內(nèi)的像素點(diǎn)情況，若其8領(lǐng)域內(nèi)存在真正的邊緣點(diǎn)，則保留該點(diǎn)，否則刪除。

1.2 存在的不足

傳統(tǒng)Canny算法計(jì)算過程相對簡單，檢測效果較好，作為一種標(biāo)準(zhǔn)算法，廣泛應(yīng)用于各項(xiàng)研究，但在使用過程中卻仍存在部分問題。

第一，Canny算子中使用的高斯濾波是一種線性的平滑濾波，適用于消除高斯噪聲，對于椒鹽噪聲過濾效果不是很好；同時式（1）中的標(biāo)準(zhǔn)差參數(shù)？滓取值是根據(jù)經(jīng)驗(yàn)選取的[8]，對于不同的處理圖像并不統(tǒng)一適用。

第二，傳統(tǒng)Canny算子在計(jì)算梯度幅值和方向時，只考慮了水平和豎直2個方向的檢測，利用梯度信息較少，易出現(xiàn)邊緣斷裂或產(chǎn)生偽邊緣等情況。

第三，Canny算子中閾值滯后檢測的高低閾值往往依靠人為經(jīng)驗(yàn)預(yù)先確定，沒有固定的選取標(biāo)準(zhǔn)且自適應(yīng)性低[9]。若選取的閾值與圖像本身特征不適配，則容易導(dǎo)致圖像邊緣信息丟失嚴(yán)重，結(jié)果不理想。

2 改進(jìn)Canny邊緣檢測算法

受安裝位置空間限制，在現(xiàn)場采集的圖像除了輪對踏面區(qū)域，還包含輪對周圍區(qū)域。在進(jìn)行踏面損傷缺陷識別處理時，研究對象主要是踏面區(qū)域，不僅需要通過邊緣檢測把踏面的區(qū)域與背景區(qū)域進(jìn)行分割，同時盡可能多地檢測到損傷邊緣信息。直接利用傳統(tǒng)Canny算子尋找踏面及損傷邊緣，存在細(xì)節(jié)缺失，邊緣不完整等情況，因此針對上述不足，提出一種改進(jìn)的Canny邊緣檢測算法，具體改進(jìn)如下。

2.1 改進(jìn)濾波方法

2.1.1 中值濾波

中值濾波算法是基于統(tǒng)計(jì)排序原理的非線性平滑濾波技術(shù)[10]，其可以很好地濾除圖像中含有的非線性噪聲，尤其是椒鹽噪聲。中值濾波是用某種尺寸的二維滑動模板，將模板內(nèi)像素點(diǎn)按像素值大小排序，用排序后的中值替代當(dāng)前像素點(diǎn)的值，由此可消除孤立的噪聲點(diǎn)。

例如以圖1中灰色方框像素點(diǎn)為例，其搜索鄰域?yàn)?×5大小，對該鄰域內(nèi)像素點(diǎn)的像素值進(jìn)行升序/降序排序，以圖1為例按升序排序后得到序列值：[35，35，36，36，36，38，38，40，46，46，46，46，47，49，51，52，55，56，56，58，58，63，69，69，75]，在該序列中，處于中值點(diǎn)的值是47，因此，用該值替換原來的像素值56，作為當(dāng)前點(diǎn)的新像素值。

2.1.2 引導(dǎo)濾波

引導(dǎo)濾波器是一種能夠在平滑圖像的同時起到較好保持邊界作用的線性濾波器，其被廣泛應(yīng)用于邊緣感知平滑、細(xì)節(jié)增強(qiáng)、圖像摳圖和圖像去霧等各種計(jì)算機(jī)視覺和圖形處理方面[11]?，F(xiàn)定義輸入圖像為P，引導(dǎo)圖像為I，輸出圖像為Q，引導(dǎo)濾波器的關(guān)鍵假設(shè)前提是引導(dǎo)圖像I和濾波輸出圖像Q之間存在局部線性關(guān)系[12]。假設(shè)輸出圖像Q是I在以像素m為中心的濾波窗口中的線性變換表達(dá)為

， （6）

式中：i、m為像素點(diǎn)索引；am、bm為窗口化后的常數(shù)型線性系數(shù)；wm為濾波窗口。

8U5xIkT0G4LFvdbUjwgI3+3mXs+UlQWDxxEPYBplEWo=對式（6）兩邊取梯度，可得

。 （7）

由式（7）可知，只有當(dāng)引導(dǎo)圖像I中有梯度時，輸出圖像Ｑ也有類似的梯度，這也是引導(dǎo)濾波具有保邊特性的原因，即引導(dǎo)圖像存在邊緣，輸出圖像中也會保留該邊緣信息。

考慮輸入圖像與輸出圖像之間的關(guān)系，輸出圖像可認(rèn)為是由輸入圖像過濾掉部分信息所得到

Ｑi＝Pi-ni ， （8）

式中：ni為需要去除的噪聲或者紋理信息。

為計(jì)算求出am、bm的值，構(gòu)造最小化代價(jià)約束函數(shù)使得輸入圖像P和輸出圖像Q之間的差異最小，該代價(jià)函數(shù)定義為

線性系數(shù)am、bm的值決定梯度信息和平滑信息的權(quán)重大小，與引導(dǎo)濾波最終保邊特性效果具有高度的關(guān)聯(lián)性，且由式（10）、式（11）可知，am、bm的值由引導(dǎo)圖像和輸入圖像共同決定。在實(shí)際應(yīng)用過程中，引導(dǎo)圖像和輸入圖像往往是同一張圖像，當(dāng)二者相等時，假設(shè)？著的取值為大于0的正數(shù)，可得如下結(jié)論：當(dāng)窗口區(qū)域內(nèi)圖像相對連續(xù)、比較平滑時，則am≈0、bm≈m，此時濾波器濾波效果較強(qiáng)，保邊效果較弱；當(dāng)窗口區(qū)域內(nèi)圖像相對變化劇烈，存在邊緣信息時，則am≈1、bm≈0，此時濾波器保邊效果較強(qiáng)，濾波效果較弱。

綜合考慮濾波效果和邊緣保持要求，本文采用中值濾波與引導(dǎo)濾波組合的混合濾波方法對圖像進(jìn)行降噪。首先，采用中值濾波方法去除圖像中的噪聲，尤其是椒鹽噪聲；然后，將中值濾波后的圖像作為引導(dǎo)濾波器的輸入圖像和引導(dǎo)圖像；最后，通過參數(shù)調(diào)節(jié)，得到具有良好保邊效果的圖像。

2.2 梯度幅值計(jì)算改進(jìn)

考慮只從水平和豎直2個方向計(jì)算信息較少，無法完整準(zhǔn)確地反映出圖像的輪廓特征，本文提出增加45°和135°多方向獲取圖像邊緣梯度信息。同時，借鑒Sobel算子的思想對計(jì)算模板進(jìn)行進(jìn)一步的改進(jìn)[13]，改進(jìn)后的梯度計(jì)算模板大小為3×3。各方向計(jì)算模板如圖2所示。

將濾波后的圖像與上述4個方向的計(jì)算模板分別進(jìn)行卷積運(yùn)算，得到梯度分量Nx、Ny、N45°和N135°。將上述梯度分量按式（12）、式（13）可求得合成后的水平和垂直2個方向上的梯度幅值NX、NY

2.3 自適應(yīng)計(jì)算閾值

在實(shí)際應(yīng)用場所中，同一閾值對不同圖像的邊緣檢測效果千差萬別，人為設(shè)定固定閾值不具有普遍適用性，在以往的改進(jìn)算法中常采用Ostu法來自適應(yīng)地選取閾值[14]，提高Canny檢測算法的自適應(yīng)性和邊緣檢測的準(zhǔn)確性，在大多數(shù)情況下，該方法能提取到較理想的分割閾值。但由于拍攝的初始圖像除了車輪踏面區(qū)域外，還含有背景區(qū)域，當(dāng)背景區(qū)域與踏面區(qū)域灰度值分布相近時，直接采用全局直方圖進(jìn)行閾值處理，很可能因?yàn)橥活愋拖袼馗叨燃袑?dǎo)致閾值選擇失敗，且受環(huán)境光照不均勻、車輪踏面局部反光等因素影響，會進(jìn)一步加大檢測難度，易丟失損傷區(qū)域邊緣信息。針對上述問題，為提高Canny算法檢測的自適應(yīng)性和準(zhǔn)確性，文章采用利用邊緣信息改進(jìn)全局閾值的方法自適應(yīng)求取閾值代替人為的設(shè)定高低閾值，利用圖像的可能邊緣跡象信息，獲得更利于分割的閾值，提高算法整體邊緣檢測準(zhǔn)確性，其具體操作如下。

1）計(jì)算圖像f（x，y）的梯度算子，得到梯度圖像。

2）指定一個閾值Ｔ。

3）用步驟2）中的閾值對梯度圖像進(jìn)行二值處理，產(chǎn)生二值圖像gＴ（x，y）作為遮罩模板，以排除無效背景像素的影響。

4）當(dāng)gＴ（x，y）中像素值為1時，在f（x，y）中找到對應(yīng)位置的像素作為有效像素，進(jìn)行直方圖統(tǒng)計(jì)計(jì)算。

5）用步驟4）中基于遮罩模板的直方圖分布，采用Otsu算法計(jì)算閾值Ｔ1。

6）使用Otsu算法得到的閾值Ｔ1為滯后閾值檢測的高閾值，高閾值的一半Ｔ2為滯后閾值檢測的低閾值。

上述步驟2）中初始閾值T的設(shè)置值若小于邊緣圖像的最小值的任何值，則求得的gＴ（x，y）將全部都是1，即步驟5）中用于計(jì)算的有效像素值將會是f（x，y）中的全部像素?？紤]上述情況，一般不直接指定T為某一固定值，而是通過百分比的形式來初始化T，且一般選取較高的百分比，本次實(shí)驗(yàn)選擇為90%，即以原圖像直方圖0.9分位的灰度值作為T值。

3 實(shí)驗(yàn)結(jié)果與分析

為檢驗(yàn)所提算法的可行性和有效性，本文實(shí)驗(yàn)從某檢修車間實(shí)地采集部分含損傷的車輪踏面圖像，在Windows10下采用Python3.9編程實(shí)現(xiàn)。lmnlX4ZETzko8PH8uZfvwyNhxo+bujBLsUmR6WHHvU0=首先對提出的混合濾波方法的有效性進(jìn)行驗(yàn)證，選擇高斯濾波算法、中值濾波算法、雙邊濾波算法、引導(dǎo)濾波算法和本文提出的混合濾波方法進(jìn)行比較；然后將傳統(tǒng)Canny算法、文獻(xiàn)[15]所提的改進(jìn)算法[15]與本文的改進(jìn)算法對比提取同一圖像的邊緣效果進(jìn)行驗(yàn)證。

首先，為驗(yàn)證不同濾波方法的效果，本文選取了一張實(shí)地拍攝的含損傷車輪踏面圖像，向圖片中加入15%的椒鹽噪聲，分別用高斯濾波、中值濾波、雙邊濾波、引導(dǎo)濾波和混合濾波實(shí)驗(yàn)效果如圖3所示。

從上述結(jié)果對比可知，高斯濾波、雙邊濾波及引導(dǎo)濾波在正則化參數(shù)？著較小時對于椒鹽噪聲的抑制效果均較差，幾乎無法實(shí)現(xiàn)濾波效果。中值濾波對椒鹽噪聲的去噪效果較好，能夠有效濾除絕大多數(shù)的椒鹽噪聲，但濾波效果和選取的模板大小有一定的關(guān)系，模板選擇較小時，濾波效果仍可能并不理想，無法濾除所有噪聲，當(dāng)模板選擇較大時，濾波效果較為明顯，但是圖像也會隨之模糊嚴(yán)重，從而無法完整保留圖像原有邊緣信息。本文采用的混合濾波方法能有效濾除絕大多數(shù)的椒鹽噪聲，并且由于在中值濾波后加入了引導(dǎo)濾波，混合濾波后圖像相較于單一的中值濾波圖像結(jié)果更平滑，邊緣信息相對更突出、明顯。

為了驗(yàn)證本文算法整體改進(jìn)在邊緣檢測方面的性能，將傳統(tǒng)的Canny算法、文獻(xiàn)[15]所提改進(jìn)算法以及本文改進(jìn)的算法進(jìn)行比較。本文選取了4張實(shí)地拍攝的車輪踏面圖像進(jìn)行對比分析。實(shí)驗(yàn)時，傳統(tǒng)Canny算法處理的高低閾值為同一組數(shù)據(jù)，Ｔh=225，Ｔl=150，仿真實(shí)驗(yàn)結(jié)果分別如圖4所示。

從上述圖像的對比結(jié)果來看，當(dāng)傳統(tǒng)Canny算法選擇的初始閾值較為合適時，算法能夠保留大部分踏面與損傷邊緣，但仍存在邊緣斷裂、不完整等情況，且閾值選擇不具有自適應(yīng)性，對于不同場景下拍攝到的圖像無法精準(zhǔn)具體地進(jìn)行邊緣檢測。文獻(xiàn)[15]改進(jìn)的邊緣檢測算法能較完整保留踏面邊緣信息，但對于損傷區(qū)域附近的邊緣檢測干擾信息抑制效果不強(qiáng)，損傷邊界不明顯。本文改進(jìn)的Canny邊緣檢測算法相較于上述2種算法，既能較為完整地保留邊緣信息，又能抑制邊緣線附近的干擾信息，具有良好的邊緣檢測效果。

4 結(jié)論

本文針對傳統(tǒng)Canny算法檢測輪對踏面及損傷區(qū)域邊緣時存在的不足，提出了一種基于引導(dǎo)濾波的改進(jìn)Canny邊緣檢測算法。

1）針對傳統(tǒng)Canny算法對椒鹽噪聲抑制能力較弱問題，提出采用中值濾波與引導(dǎo)濾波組合的混合濾波方法代替原高斯濾波進(jìn)行圖像去噪處理，改進(jìn)后的方法抑制噪聲的能力較好，且具有良好的保邊效果。

2）借鑒Sobel算子思想，擴(kuò)大梯度算子計(jì)算模板，同時增加45°和135°兩個方向計(jì)算梯度幅值，能獲取更多的邊緣信息。

3）針對傳統(tǒng)Canny算法閾值選取依賴人工經(jīng)驗(yàn)，且自適應(yīng)性較低問題，利用邊緣信息改進(jìn)全局閾值的方法自適應(yīng)求取閾值，增強(qiáng)了算法的自適應(yīng)性，同時也能保留更多的真實(shí)邊緣，減少斷裂邊緣產(chǎn)生。

本文提出的改進(jìn)Canny邊緣檢測算法在一定程度上提高了邊緣檢測的準(zhǔn)確率，相較于傳統(tǒng)邊緣算法能提取到更多的邊緣信息，抑制虛假邊緣的出現(xiàn)，但同時算法運(yùn)行時間也增加了，實(shí)時性較低，下一步的工作應(yīng)該是在現(xiàn)有算法基礎(chǔ)上，盡可能地優(yōu)化算法，降低運(yùn)行時間。

參考文獻(xiàn)：

[1] 肖乾，姜雄峰，劉海濤，等.鐵道車輪踏面損傷實(shí)時監(jiān)測方法研究綜述[J].華東交通大學(xué)學(xué)報(bào)，2021，38（4）：99-112，126.

[2] 葛林富，尹治本，朱懷芳.機(jī)車踏面擦傷計(jì)算機(jī)智能檢測原理及實(shí)現(xiàn)[J].鐵道學(xué)報(bào)，1993，15（2）：35-39.

[3] KRUMMENACHER G， ONG C S， KOLLER S， et al. Wheel defect detection with machine learning[J]. IEEE Transactions on Intelligent Transportation Systems， 2018， 19（4）：1176-1187.

[4] SALZBURGER H J， SCHUPPMANN M， WANG L， et al. In-motion ultrasonic testing of the tread of high-speed railway wheels using the inspection system AUROPA III[J]. INSIGHT， 2009， 51（7）：370-372.

[5] DHIVYA R， PRAKASH R. Edge detection of satellite image using fuzzy logic[J].Cluster Computing，2019，22（5）：11891-11898.

[6] 竇蕾萍，吳君欽.基于改進(jìn)Canny算法的圖像邊緣檢測[J].軟件導(dǎo)刊，2023，22（8）：216-220.

[7] 潘尚濤，張林貝子，農(nóng)衛(wèi)航，等.基于Canny-Hough算法的鍋具輪廓缺陷檢測[J].廣西大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，48（2）：362-372.

[8] 倪大民，周星源，齊晶晶.基于數(shù)學(xué)形態(tài)學(xué)改進(jìn)Canny算法的紅外圖像邊緣檢測[J].輕工科技，2023，39（4）：111-113.

[9] 杜春洋，郭俊杰，李昌非.基于改進(jìn)Canny算子的焊縫圖像邊緣提取研究[J].激光雜志，2023，44（4）：74-79.

[10] 尉佳，岳龍，楊睿，等.開關(guān)非局部中值濾波在海洋淺地層剖面隨機(jī)噪音處理中的應(yīng)用[J].中國海洋大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，53（7）：104-110.

[11] 丁貴鵬，陶鋼，李英超，等.基于非下采樣輪廓波變換與引導(dǎo)濾波器的紅外及可見光圖像融合[J].兵工學(xué)報(bào)，2021，42（9）：1911-1922.

[12] ZHOU B， LUO Y， YANG M， et al. An improved adaptive detail enhancement algorithm for infrared images based on guided image filter[J]. Journal of Modern Optics， 2018， 66（1）：33-46.

[13] TIAN R， SUN G L， LIU X C， et al. Sobel edge detection based on weighted nuclear norm minimization image denoising[J]. Electronics， 2021，10（6）：655.

[14] 余波，吳靜，周琦賓.一種基于改進(jìn)Canny算子的邊緣檢測算法[J].制造業(yè)自動化，2022，44（8）：24-26，43.

[15] 劉成剛，劉二林，姜香菊.改進(jìn)Canny算子的列車輪對踏面邊緣檢測算法[J].鐵道機(jī)車車輛，2021，41（1）：22-25.