OpenCV學(xué)習(xí)筆記（十二）：邊緣檢測(cè)：Canny(),Sobel(),Laplace(),Scharr濾波器

1）濾波：邊緣檢測(cè)的算法主要是基于圖像強(qiáng)度的一階和二階導(dǎo)數(shù)，但導(dǎo)數(shù)通常對(duì)噪聲很敏感，因此必須采用濾波器來改善與噪聲有關(guān)的邊緣檢測(cè)器的性能。常見的濾波方法主要有高斯濾波，即采用離散化的高斯函數(shù)產(chǎn)生一組歸一化的高斯核，然后基于高斯核函數(shù)對(duì)圖像灰度矩陣的每一點(diǎn)進(jìn)行加權(quán)求和。
2）增強(qiáng)：增強(qiáng)邊緣的基礎(chǔ)是確定圖像各點(diǎn)鄰域強(qiáng)度的變化值。增強(qiáng)算法可以將圖像灰度點(diǎn)鄰域強(qiáng)度值有顯著變化的點(diǎn)凸顯出來。在具體編程實(shí)現(xiàn)時(shí)，可通過計(jì)算梯度幅值來確定。
3）檢測(cè)：經(jīng)過增強(qiáng)的圖像，往往鄰域中有很多點(diǎn)的梯度值比較大，而在特定的應(yīng)用中，這些點(diǎn)并不是我們要找的邊緣點(diǎn)，所以應(yīng)該采用某種方法來對(duì)這些點(diǎn)進(jìn)行取舍。實(shí)際工程中，常用的方法是通過閾值化方法來檢測(cè)。

1、Canny()算子：

Canny邊緣檢測(cè)算子是一個(gè)多級(jí)邊緣檢測(cè)算法

C++: void Canny(InputArray image, //輸入圖像，即源圖像 OutputArray edges, // 輸出的邊緣圖 double threshold1, // 第一個(gè)滯后性閾值 double threshold2, // 第二個(gè)滯后性閾值// 這個(gè)函數(shù)閾值1和閾值2兩者的小者用于邊緣連接，而大者用來控制強(qiáng)邊緣的初始段，推薦的高低閾值比在2:1到3:1之間。 int apertureSize=3, // 表示應(yīng)用Sobel算子的孔徑大小 bool L2gradient=false // 一個(gè)計(jì)算圖像梯度幅值的標(biāo)識(shí) )

2、Sobel()算子：

Sobel 算子是一個(gè)主要用作邊緣檢測(cè)的離散微分算子 (discrete differentiation operator)。它Sobel算子結(jié)合了高斯平滑和微分求導(dǎo)，用來計(jì)算圖像灰度函數(shù)的近似梯度。在圖像的任何一點(diǎn)使用此算子，將會(huì)產(chǎn)生對(duì)應(yīng)的梯度矢量或是其法矢量。

void Sobel ( InputArray src, // 輸入圖 OutputArray dst, // 輸出圖 int ddepth, // 輸出圖像的深度// 若src.depth() = CV_8U, 取ddepth =-1/CV_16S/CV_32F/CV_64F// 若src.depth() = CV_16U/CV_16S, 取ddepth =-1/CV_32F/CV_64F// 若src.depth() = CV_32F, 取ddepth =-1/CV_32F/CV_64F// 若src.depth() = CV_64F, 取ddepth = -1/CV_64F int dx, // x 方向上的差分階數(shù) int dy, // y 方向上的差分階數(shù) int ksize=3, // 表示Sobel核的大小;必須取1，3，5或7 double scale=1, // 計(jì)算導(dǎo)數(shù)值時(shí)可選的縮放因子 double delta=0, // 表示在結(jié)果存入目標(biāo)圖之前可選的delta值 int borderType=BORDER_DEFAULT // 邊界模式 );

3、Laplace()算子：

Laplacian 算子是n維歐幾里德空間中的一個(gè)二階微分算子，定義為梯度grad（）的散度div（）。Laplacian( )函數(shù)其實(shí)主要是利用sobel算子的運(yùn)算。它通過加上sobel算子運(yùn)算出的圖像x方向和y方向上的導(dǎo)數(shù)，來得到我們載入圖像的拉普拉斯變換結(jié)果。

void Laplacian(InputArray src, // 源圖像 OutputArray dst, // 輸出的邊緣圖 int ddepth, // 輸出圖像的深度 int ksize=1, // 用于計(jì)算二階導(dǎo)數(shù)的濾波器的孔徑尺寸 double scale=1, // 計(jì)算拉普拉斯值的時(shí)候可選的比例因子 double delta=0, // 表示在結(jié)果存入目標(biāo)圖之前可選的delta值 intborderType=BORDER_DEFAULT // 邊界模式 );

4、scharr濾波器：

scharr一般我就直接稱它為濾波器，而不是算子,主要是配合Sobel算子的運(yùn)算而存在的。
scharr算子與Sobel的不同點(diǎn)是在平滑部分，這里所用的平滑算子是1/16?[3,10,3]，相比于1/4?[1,2,1]，中心元素占的權(quán)重更重，這可能是相對(duì)于圖像這種隨機(jī)性較強(qiáng)的信號(hào)，鄰域相關(guān)性不大，所以鄰域平滑應(yīng)該使用相對(duì)較小的標(biāo)準(zhǔn)差的高斯函數(shù)，也就是更瘦高的模板。

void Scharr( InputArray src, // 源圖OutputArray dst, // 目標(biāo)圖int ddepth, // 圖像深度int dx, // x方向上的差分階數(shù)int dy, //y方向上的差分階數(shù)double scale=1, //縮放因子double delta=0, // delta值intborderType=BORDER_DEFAULT // 邊界模式)

4、代碼示例：

#include <opencv2/opencv.hpp>using namespace cv; using namespace std;//原圖，原圖的灰度版，目標(biāo)圖 Mat g_srcImage, g_srcGrayImage,g_dstImage;//Canny邊緣檢測(cè)相關(guān)變量 Mat g_cannyDetectedEdges; int g_cannyLowThreshold=1;//TrackBar位置參數(shù) //Sobel邊緣檢測(cè)相關(guān)變量 Mat g_sobelGradient_X, g_sobelGradient_Y; Mat g_sobelAbsGradient_X, g_sobelAbsGradient_Y; int g_sobelKernelSize=1;//TrackBar位置參數(shù) //Scharr濾波器相關(guān)變量 Mat g_scharrGradient_X, g_scharrGradient_Y; Mat g_scharrAbsGradient_X, g_scharrAbsGradient_Y;int main() {//載入原圖g_srcImage = imread("F:/C++/2. OPENCV 3.1.0/7.1 edge detection 邊緣檢測(cè)/5.jpg");if( !g_srcImage.data ) { printf("Oh，no，讀取srcImage錯(cuò)誤~！ \n"); return false; }//顯示原始圖namedWindow("【原始圖】");imshow("【原始圖】", g_srcImage);// 1、創(chuàng)建與src同類型和大小的矩陣(dst)g_dstImage.create( g_srcImage.size(), g_srcImage.type() );// 2、將原圖像轉(zhuǎn)換為灰度圖像cvtColor( g_srcImage, g_srcGrayImage, COLOR_BGR2GRAY );// 3、創(chuàng)建trackbarnamedWindow( "【效果圖】Canny邊緣檢測(cè)", WINDOW_AUTOSIZE );namedWindow( "【效果圖】Sobel邊緣檢測(cè)", WINDOW_AUTOSIZE );createTrackbar( "參數(shù)值：", "【效果圖】Canny邊緣檢測(cè)", &g_cannyLowThreshold, 120, on_Canny);createTrackbar( "參數(shù)值：", "【效果圖】Sobel邊緣檢測(cè)", &g_sobelKernelSize, 3, on_Sobel);// 4、調(diào)用回調(diào)函數(shù)on_Canny(0, 0);on_Sobel(0, 0);// 5、調(diào)用封裝了Scharr邊緣檢測(cè)代碼的函數(shù)Scharr( );//輪詢獲取按鍵信息，若按下Q，程序退出while((char(waitKey(1)) != 'q')) {} }

1）Canny邊緣檢測(cè)窗口滾動(dòng)條的回調(diào)函數(shù)

void on_Canny(int, void*) {// 先使用 3x3內(nèi)核來降噪blur( g_srcGrayImage, g_cannyDetectedEdges, Size(3,3) );// 運(yùn)行我們的Canny算子// threshold1：滯后性閾值1（較小值用于邊緣連接，較大值控制強(qiáng)邊緣的初始段）// threshold2：滯后性閾值2// apertureSize sobel算子的孔徑大小Canny( g_cannyDetectedEdges, g_cannyDetectedEdges, g_cannyLowThreshold, g_cannyLowThreshold*3, 3 );//先將g_dstImage內(nèi)的所有元素設(shè)置為0g_dstImage = Scalar::all(0);//使用Canny算子輸出的邊緣圖g_cannyDetectedEdges作為掩碼，來將原圖g_srcImage拷到目標(biāo)圖g_dstImage中g_srcImage.copyTo( g_dstImage, g_cannyDetectedEdges);//顯示效果圖imshow( "【效果圖】Canny邊緣檢測(cè)", g_dstImage ); }

2）Sobel邊緣檢測(cè)窗口滾動(dòng)條的回調(diào)函數(shù)

void on_Sobel(int, void*) {//Sobel算子是一階導(dǎo)數(shù)的邊緣檢測(cè)算子，在算法實(shí)現(xiàn)過程中，通過3×3模板作為核與圖像中的每個(gè)像素點(diǎn)做卷積和運(yùn)算，然后選取合適的閾值以提取邊緣。//Sobel算子算法的優(yōu)點(diǎn)是計(jì)算簡(jiǎn)單，速度快。但是由于只采用了2個(gè)方向的模板，只能檢測(cè)水平和垂直方向的邊緣，//因此這種算法對(duì)于紋理較為復(fù)雜的圖像，其邊緣檢測(cè)效果就不是很理想。該算法認(rèn)為：//凡灰度新值大于或等于閾值的像素點(diǎn)時(shí)都是邊緣點(diǎn)。//這種判斷欠合理，會(huì)造成邊緣點(diǎn)的誤判，因?yàn)樵S多噪聲點(diǎn)的灰度值也很大。// ddepth:輸出圖像的深度// dx,dy: x y方向上的差分階數(shù)// scale ：計(jì)算導(dǎo)數(shù)時(shí)的縮放因子// 求 X方向梯度Sobel( g_srcImage, g_sobelGradient_X, CV_16S, 1, 0, (2*g_sobelKernelSize+1), 1, 1, BORDER_DEFAULT );// 對(duì)于輸入數(shù)組的每個(gè)元素，convertScaleAbs函數(shù)依次執(zhí)行三個(gè)操作:縮放、取絕對(duì)值、轉(zhuǎn)換為無符號(hào)8位類型 :// dst(I)=saturate\_cast<uchar>(|src(I)?alpha+beta|)convertScaleAbs( g_sobelGradient_X, g_sobelAbsGradient_X ); // Mat grad_xROI(grad_x,Rect(0,0,20,20)); // cout<<"M="<<endl<<grad_xROI<<endl; // imshow("【效果圖】 X方向Sobel1", grad_x);// 求Y方向梯度Sobel( g_srcImage, g_sobelGradient_Y, CV_16S, 0, 1, (2*g_sobelKernelSize+1), 1, 1, BORDER_DEFAULT );convertScaleAbs( g_sobelGradient_Y, g_sobelAbsGradient_Y );// 合并梯度addWeighted( g_sobelAbsGradient_X, 0.5, g_sobelAbsGradient_Y, 0.5, 0, g_dstImage );//顯示效果圖imshow("【效果圖】Sobel邊緣檢測(cè)", g_dstImage);}

3）Scharr邊緣檢測(cè)相關(guān)代碼的函數(shù)

void Scharr( ) {// scharr算子與Sobel的不同點(diǎn)是在平滑部分，這里所用的平滑算子是1/16?[3,10,3]，// 相比于1/4?[1,2,1]，中心元素占的權(quán)重更重，這可能是相對(duì)于圖像這種隨機(jī)性較強(qiáng)的信號(hào)，// 鄰域相關(guān)性不大，所以鄰域平滑應(yīng)該使用相對(duì)較小的標(biāo)準(zhǔn)差的高斯函數(shù)，也就是更瘦高的模板。// 求 X方向梯度Scharr( g_srcImage, g_scharrGradient_X, CV_16S, 1, 0, 1, 0, BORDER_DEFAULT );convertScaleAbs( g_scharrGradient_X, g_scharrAbsGradient_X );//計(jì)算絕對(duì)值，并將結(jié)果轉(zhuǎn)換成8位// 求Y方向梯度Scharr( g_srcImage, g_scharrGradient_Y, CV_16S, 0, 1, 1, 0, BORDER_DEFAULT );convertScaleAbs( g_scharrGradient_Y, g_scharrAbsGradient_Y );//計(jì)算絕對(duì)值，并將結(jié)果轉(zhuǎn)換成8位// 合并梯度addWeighted( g_scharrAbsGradient_X, 0.5, g_scharrAbsGradient_Y, 0.5, 0, g_dstImage );//顯示效果圖imshow("【效果圖】Scharr濾波器", g_dstImage); }

結(jié)果：

總結(jié)

以上是生活随笔為你收集整理的OpenCV学习笔记（十二）：边缘检测：Canny(),Sobel(),Laplace(),Scharr滤波器的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。