當(dāng)前位置：首頁(yè) > 编程资源 > 编程问答 >内容正文

编程问答

【OpenCV入门教程之十二】OpenCV边缘检测：Canny算子,Sobel算子,Laplace算子,Scharr滤波器合辑

發(fā)布時(shí)間：2023/12/8 编程问答 42 豆豆

生活随笔收集整理的這篇文章主要介紹了【OpenCV入门教程之十二】OpenCV边缘检测：Canny算子,Sobel算子,Laplace算子,Scharr滤波器合辑小編覺(jué)得挺不錯(cuò)的,現(xiàn)在分享給大家,幫大家做個(gè)參考.

本系列文章由@淺墨_毛星云?出品，轉(zhuǎn)載請(qǐng)注明出處。??

文章鏈接：?http://blog.csdn.net/poem_qianmo/article/details/25560901

作者：毛星云（淺墨） ? ?微博：http://weibo.com/u/1723155442

知乎：http://www.zhihu.com/people/mao-xing-yun

郵箱：?happylifemxy@163.com

寫(xiě)作當(dāng)前博文時(shí)配套使用的OpenCV版本： 2.4.9

本篇文章中，我們將一起學(xué)習(xí)OpenCV中邊緣檢測(cè)的各種算子和濾波器——Canny算子,Sobel算子,Laplace算子以及Scharr濾波器。文章中包含了五個(gè)淺墨為大家準(zhǔn)備的詳細(xì)注釋的博文配套源代碼。在介紹四塊知識(shí)點(diǎn)的時(shí)候分別一個(gè)，以及最后的綜合示例中的一個(gè)。文章末尾提供配套源代碼的下載。

依然是是放出一些程序運(yùn)行截圖吧：

?效果圖看完，我們來(lái)嘮嘮嗑。

首先，需要說(shuō)明的是，淺墨這篇文章最后的示例代碼是采用兩周前剛剛發(fā)布的2.4.9來(lái)書(shū)寫(xiě)的。里面的lib都已經(jīng)改成了2.4.9版本的。如果大家需要運(yùn)行的話，要么配置好2.4.9.要么把淺墨在工程中包含的末尾數(shù)字為249的各種lib改成之前的248或者你對(duì)應(yīng)的OpenCV版本。

不然會(huì)提示：?LINK : fatal error LNK1181: 無(wú)法打開(kāi)輸入文件“opencv_calib3d248.lib”之類的錯(cuò)誤。

OpenCV 2.4.9的配置和之前的2.4.8差不多，如果還是不太清楚，具體可以參考淺墨修改過(guò)的對(duì)應(yīng)2.4.9版的配置文章：

【OpenCV入門(mén)教程之一】安裝OpenCV：OpenCV 2.4.8或2.4.9 +VS 開(kāi)發(fā)環(huán)境配置

第二，給大家分享一個(gè)OpenCV中寫(xiě)代碼時(shí)節(jié)約時(shí)間的小常識(shí)。其實(shí)OpenCV中，不用namedWindow，直接imshow就可以顯示出窗口。大家看下文的示例代碼就可以發(fā)現(xiàn)，淺墨在寫(xiě)代碼的時(shí)候并沒(méi)有用namedWindow，遇到想顯示出來(lái)的Mat變量直接imshow。我們一般是為了規(guī)范，才先用namedWindow創(chuàng)建窗口，再imshow出它來(lái)，因?yàn)槲覀冞€有需要用到指定窗口名稱的地方，比如用到trackbar的時(shí)候。而一般情況想顯示一個(gè)Mat變量的圖片的話，直接imshow就可以啦。

OK，開(kāi)始正文吧~

一、關(guān)于邊緣檢測(cè)

???????

在具體介紹之前，先來(lái)一起看看邊緣檢測(cè)的一般步驟吧。

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(lái)改善與噪聲有關(guān)的邊緣檢測(cè)器的性能。常見(jiàn)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（具體見(jiàn)“高斯濾波原理及其編程離散化實(shí)現(xiàn)方法”一文），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（具體程序?qū)崿F(xiàn)見(jiàn)下文）。

??????? 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(lái)。在具體編程實(shí)現(xiàn)時(shí)，可通過(guò)計(jì)算梯度幅值來(lái)確定。

????? ??3）檢測(cè)：經(jīng)過(guò)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(lái)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(guò)閾值化方法來(lái)檢測(cè)。

另外，需要注意，下文中講到的Laplace算子，sobel算子和Scharr算子都是帶方向的，所以，示例中我們分別寫(xiě)了X方向,Y方向和最終合成的的效果圖。

OK，正餐開(kāi)始，召喚canny算子。：）

二、canny算子篇

2.1 canny算子相關(guān)理論與概念講解

2.1.1 canny算子簡(jiǎn)介

Canny邊緣檢測(cè)算子是John F.Canny于 1986 年開(kāi)發(fā)出來(lái)的一個(gè)多級(jí)邊緣檢測(cè)算法。更為重要的是 Canny 創(chuàng)立了邊緣檢測(cè)計(jì)算理論（Computational theory ofedge detection），解釋了這項(xiàng)技術(shù)是如何工作的。Canny邊緣檢測(cè)算法以Canny的名字命名，被很多人推崇為當(dāng)今最優(yōu)的邊緣檢測(cè)的算法。

其中，Canny 的目標(biāo)是找到一個(gè)最優(yōu)的邊緣檢測(cè)算法，讓我們看一下最優(yōu)邊緣檢測(cè)的三個(gè)主要評(píng)價(jià)標(biāo)準(zhǔn):

1.低錯(cuò)誤率: 標(biāo)識(shí)出盡可能多的實(shí)際邊緣，同時(shí)盡可能的減少噪聲產(chǎn)生的誤報(bào)。

2.高定位性: 標(biāo)識(shí)出的邊緣要與圖像中的實(shí)際邊緣盡可能接近。

3.最小響應(yīng): 圖像中的邊緣只能標(biāo)識(shí)一次，并且可能存在的圖像噪聲不應(yīng)標(biāo)識(shí)為邊緣。

為了滿足這些要求 Canny 使用了變分法，這是一種尋找滿足特定功能的函數(shù)的方法。最優(yōu)檢測(cè)使用四個(gè)指數(shù)函數(shù)項(xiàng)的和表示，但是它非常近似于高斯函數(shù)的一階導(dǎo)數(shù)。

2.1.2 Canny 邊緣檢測(cè)的步驟

1.消除噪聲。一般情況下，使用高斯平滑濾波器卷積降噪。如下顯示了一個(gè) size = 5 的高斯內(nèi)核示例:

2.計(jì)算梯度幅值和方向。此處，按照Sobel濾波器的步驟。

Ⅰ.運(yùn)用一對(duì)卷積陣列 (分別作用于 x 和 y 方向):

Ⅱ.使用下列公式計(jì)算梯度幅值和方向:

梯度方向近似到四個(gè)可能角度之一(一般為0, 45, 90, 135)

3.非極大值抑制。這一步排除非邊緣像素，僅僅保留了一些細(xì)線條(候選邊緣)。

4.滯后閾值。最后一步，Canny 使用了滯后閾值，滯后閾值需要兩個(gè)閾值(高閾值和低閾值):

Ⅰ.如果某一像素位置的幅值超過(guò) 高閾值, 該像素被保留為邊緣像素。

Ⅱ.如果某一像素位置的幅值小于低閾值, 該像素被排除。

Ⅲ.如果某一像素位置的幅值在兩個(gè)閾值之間,該像素僅僅在連接到一個(gè)高于高閾值的像素時(shí)被保留。

tips：對(duì)于Canny函數(shù)的使用，推薦的高低閾值比在2:1到3:1之間。

更多的細(xì)節(jié)，可以參考canny算子的wikipedia：

http://en.wikipedia.org/wiki/Canny_edge_detector

canny邊緣檢測(cè)的原理講述，課參看這篇博文：

http://blog.csdn.net/likezhaobin/article/details/6892176

canny算子的中文wikipedia：

http://zh.wikipedia.org/wiki/Canny%E7%AE%97%E5%AD%90

2.2 OpenCV中Canny函數(shù)詳解

Canny函數(shù)利用Canny算法來(lái)進(jìn)行圖像的邊緣檢測(cè)。

C++: void Canny(InputArray image,OutputArray edges, double threshold1, double threshold2, int apertureSize=3,bool L2gradient=false )

第一個(gè)參數(shù)，InputArray類型的image，輸入圖像，即源圖像，填Mat類的對(duì)象即可，且需為單通道8位圖像。
第二個(gè)參數(shù)，OutputArray類型的edges，輸出的邊緣圖，需要和源圖片有一樣的尺寸和類型。
第三個(gè)參數(shù)，double類型的threshold1，第一個(gè)滯后性閾值。
第四個(gè)參數(shù)，double類型的threshold2，第二個(gè)滯后性閾值。
第五個(gè)參數(shù)，int類型的apertureSize，表示應(yīng)用Sobel算子的孔徑大小，其有默認(rèn)值3。
第六個(gè)參數(shù)，bool類型的L2gradient，一個(gè)計(jì)算圖像梯度幅值的標(biāo)識(shí)，有默認(rèn)值false。

需要注意的是，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(lái)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。

調(diào)用示例：

//載入原始圖 Mat src = imread("1.jpg"); //工程目錄下應(yīng)該有一張名為1.jpg的素材圖Canny(src, src, 3, 9,3 );imshow("【效果圖】Canny邊緣檢測(cè)", src);

如上三句，就有結(jié)果出來(lái)，非常好用。

2.3 調(diào)用Canny函數(shù)的實(shí)例代碼

OpenCV中調(diào)用Canny函數(shù)的實(shí)例代碼如下：

//-----------------------------------【頭文件包含部分】--------------------------------------- // 描述：包含程序所依賴的頭文件 //---------------------------------------------------------------------------------------------- #include <opencv2/opencv.hpp> #include<opencv2/highgui/highgui.hpp> #include<opencv2/imgproc/imgproc.hpp>//-----------------------------------【命名空間聲明部分】--------------------------------------- // 描述：包含程序所使用的命名空間 //----------------------------------------------------------------------------------------------- using namespace cv; //-----------------------------------【main( )函數(shù)】-------------------------------------------- // 描述：控制臺(tái)應(yīng)用程序的入口函數(shù)，我們的程序從這里開(kāi)始 //----------------------------------------------------------------------------------------------- int main( ) {//載入原始圖 Mat src = imread("1.jpg"); //工程目錄下應(yīng)該有一張名為1.jpg的素材圖Mat src1=src.clone();//顯示原始圖 imshow("【原始圖】Canny邊緣檢測(cè)", src); //----------------------------------------------------------------------------------// 一、最簡(jiǎn)單的canny用法，拿到原圖后直接用。//----------------------------------------------------------------------------------Canny( src, src, 150, 100,3 );imshow("【效果圖】Canny邊緣檢測(cè)", src); //----------------------------------------------------------------------------------// 二、高階的canny用法，轉(zhuǎn)成灰度圖，降噪，用canny，最后將得到的邊緣作為掩碼，拷貝原圖到效果圖上，得到彩色的邊緣圖//----------------------------------------------------------------------------------Mat dst,edge,gray;// 【1】創(chuàng)建與src同類型和大小的矩陣(dst)dst.create( src1.size(), src1.type() );// 【2】將原圖像轉(zhuǎn)換為灰度圖像cvtColor( src1, gray, CV_BGR2GRAY );// 【3】先用使用 3x3內(nèi)核來(lái)降噪blur( gray, edge, Size(3,3) );// 【4】運(yùn)行Canny算子Canny( edge, edge, 3, 9,3 );//【5】將g_dstImage內(nèi)的所有元素設(shè)置為0 dst = Scalar::all(0);//【6】使用Canny算子輸出的邊緣圖g_cannyDetectedEdges作為掩碼，來(lái)將原圖g_srcImage拷到目標(biāo)圖g_dstImage中src1.copyTo( dst, edge);//【7】顯示效果圖 imshow("【效果圖】Canny邊緣檢測(cè)2", dst); waitKey(0); return 0; }

運(yùn)行效果圖：

三、sobel算子篇

3.1 sobel算子相關(guān)理論與概念講解

3.1.1 基本概念

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(lái)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。

sobel算子的wikipedia：

http://zh.wikipedia.org/wiki/%E7%B4%A2%E8%B2%9D%E7%88%BE%E7%AE%97%E5%AD%90

sobel算子相關(guān)概念，還可以參看這篇博文：

http://www.cnblogs.com/lancidie/archive/2011/07/17/2108885.html

3.1.2 sobel算子的計(jì)算過(guò)程

我們假設(shè)被作用圖像為 I.然后進(jìn)行如下的操作：

1.分別在x和y兩個(gè)方向求導(dǎo)。

Ⅰ.水平變化: 將 I 與一個(gè)奇數(shù)大小的內(nèi)核進(jìn)行卷積。比如，當(dāng)內(nèi)核大小為3時(shí), 的計(jì)算結(jié)果為:

Ⅱ.垂直變化: 將: I 與一個(gè)奇數(shù)大小的內(nèi)核進(jìn)行卷積。比如，當(dāng)內(nèi)核大小為3時(shí), 的計(jì)算結(jié)果為:

2.在圖像的每一點(diǎn)，結(jié)合以上兩個(gè)結(jié)果求出近似梯度:

另外有時(shí)，也可用下面更簡(jiǎn)單公式代替:

3.2 OpenCV中Sobel函數(shù)詳解

Sobel函數(shù)使用擴(kuò)展的 Sobel 算子，來(lái)計(jì)算一階、二階、三階或混合圖像差分。

C++: void Sobel ( InputArray src,//輸入圖OutputArray dst,//輸出圖int ddepth,//輸出圖像的深度int dx,int dy,int ksize=3,double scale=1,double delta=0,int borderType=BORDER_DEFAULT );

第一個(gè)參數(shù)，InputArray 類型的src，為輸入圖像，填Mat類型即可。
第二個(gè)參數(shù)，OutputArray類型的dst，即目標(biāo)圖像，函數(shù)的輸出參數(shù)，需要和源圖片有一樣的尺寸和類型。
第三個(gè)參數(shù)，int類型的ddepth，輸出圖像的深度，支持如下src.depth()和ddepth的組合：

- 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

第四個(gè)參數(shù)，int類型dx，x 方向上的差分階數(shù)。
第五個(gè)參數(shù)，int類型dy，y方向上的差分階數(shù)。
第六個(gè)參數(shù)，int類型ksize，有默認(rèn)值3，表示Sobel核的大小;必須取1，3，5或7。
第七個(gè)參數(shù)，double類型的scale，計(jì)算導(dǎo)數(shù)值時(shí)可選的縮放因子，默認(rèn)值是1，表示默認(rèn)情況下是沒(méi)有應(yīng)用縮放的。我們可以在文檔中查閱getDerivKernels的相關(guān)介紹，來(lái)得到這個(gè)參數(shù)的更多信息。
第八個(gè)參數(shù)，double類型的delta，表示在結(jié)果存入目標(biāo)圖（第二個(gè)參數(shù)dst）之前可選的delta值，有默認(rèn)值0。
第九個(gè)參數(shù)， int類型的borderType，我們的老朋友了（萬(wàn)年是最后一個(gè)參數(shù)），邊界模式，默認(rèn)值為BORDER_DEFAULT。這個(gè)參數(shù)可以在官方文檔中borderInterpolate處得到更詳細(xì)的信息。

一般情況下，都是用ksize x ksize內(nèi)核來(lái)計(jì)算導(dǎo)數(shù)的。然而，有一種特殊情況——當(dāng)ksize為1時(shí)，往往會(huì)使用3 x 1或者1 x 3的內(nèi)核。且這種情況下，并沒(méi)有進(jìn)行高斯平滑操作。

一些補(bǔ)充說(shuō)明：

1.當(dāng)內(nèi)核大小為 3 時(shí), 我們的Sobel內(nèi)核可能產(chǎn)生比較明顯的誤差(畢竟，Sobel算子只是求取了導(dǎo)數(shù)的近似值而已)。為解決這一問(wèn)題，OpenCV提供了Scharr 函數(shù)，但該函數(shù)僅作用于大小為3的內(nèi)核。該函數(shù)的運(yùn)算與Sobel函數(shù)一樣快，但結(jié)果卻更加精確，其內(nèi)核是這樣的:

2.因?yàn)镾obel算子結(jié)合了高斯平滑和分化（differentiation），因此結(jié)果會(huì)具有更多的抗噪性。大多數(shù)情況下，我們使用sobel函數(shù)時(shí)，取【xorder = 1，yorder = 0，ksize = 3】來(lái)計(jì)算圖像X方向的導(dǎo)數(shù)，【xorder = 0，yorder = 1，ksize = 3】來(lái)計(jì)算圖像y方向的導(dǎo)數(shù)。

計(jì)算圖像X方向的導(dǎo)數(shù)，取【xorder= 1，yorder = 0，ksize = 3】情況對(duì)應(yīng)的內(nèi)核：

而計(jì)算圖像Y方向的導(dǎo)數(shù)，取【xorder= 0，yorder = 1，ksize = 3】對(duì)應(yīng)的內(nèi)核：

3.3 調(diào)用Sobel函數(shù)的實(shí)例代碼

調(diào)用Sobel函數(shù)的實(shí)例代碼如下。這里只是教大家如何使用Sobel函數(shù)，就沒(méi)有先用一句cvtColor將原圖;轉(zhuǎn)化為灰度圖，而是直接用彩色圖操作。

運(yùn)行截圖如下：

四、Laplace算子篇

4.1 Laplace算子相關(guān)理論與概念講解

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（）。因此如果f是二階可微的實(shí)函數(shù)，則f的拉普拉斯算子定義為：

(1) f的拉普拉斯算子也是笛卡兒坐標(biāo)系xi中的所有非混合二階偏導(dǎo)數(shù)求和：

(2) 作為一個(gè)二階微分算子，拉普拉斯算子把C函數(shù)映射到C函數(shù)，對(duì)于k ≥ 2。表達(dá)式(1)（或(2)）定義了一個(gè)算子Δ :C(R) → C(R)，或更一般地，定義了一個(gè)算子Δ : C(Ω) → C(Ω)，對(duì)于任何開(kāi)集Ω。

根據(jù)圖像處理的原理我們知道，二階導(dǎo)數(shù)可以用來(lái)進(jìn)行檢測(cè)邊緣。因?yàn)閳D像是 “二維”, 我們需要在兩個(gè)方向進(jìn)行求導(dǎo)。使用Laplacian算子將會(huì)使求導(dǎo)過(guò)程變得簡(jiǎn)單。

Laplacian 算子的定義:

需要點(diǎn)破的是，由于 Laplacian使用了圖像梯度，它內(nèi)部的代碼其實(shí)是調(diào)用了 Sobel 算子的。

另附一個(gè)小tips：讓一幅圖像減去它的Laplacian可以增強(qiáng)對(duì)比度。

關(guān)于Laplace算子的相關(guān)概念闡述，可以參看這篇博文：

http://www.cnblogs.com/xfzhang/archive/2011/01/19/1939020.html

Laplace算子的wikipedia：

http://zh.wikipedia.org/wiki/%E6%8B%89%E6%99%AE%E6%8B%89%E6%96%AF%E7%AE%97%E5%AD%90

4.2 OpenCV中Laplacian函數(shù)詳解

Laplacian函數(shù)可以計(jì)算出圖像經(jīng)過(guò)拉普拉斯變換后的結(jié)果。

C++: void Laplacian(InputArray src,OutputArray dst, int ddepth, int ksize=1, double scale=1, double delta=0, intborderType=BORDER_DEFAULT );

第一個(gè)參數(shù)，InputArray類型的image，輸入圖像，即源圖像，填Mat類的對(duì)象即可，且需為單通道8位圖像。
第二個(gè)參數(shù)，OutputArray類型的edges，輸出的邊緣圖，需要和源圖片有一樣的尺寸和通道數(shù)。
第三個(gè)參數(shù)，int類型的ddept，目標(biāo)圖像的深度。
第四個(gè)參數(shù)，int類型的ksize，用于計(jì)算二階導(dǎo)數(shù)的濾波器的孔徑尺寸，大小必須為正奇數(shù)，且有默認(rèn)值1。
第五個(gè)參數(shù)，double類型的scale，計(jì)算拉普拉斯值的時(shí)候可選的比例因子，有默認(rèn)值1。
第六個(gè)參數(shù)，double類型的delta，表示在結(jié)果存入目標(biāo)圖（第二個(gè)參數(shù)dst）之前可選的delta值，有默認(rèn)值0。
第七個(gè)參數(shù)， int類型的borderType，邊界模式，默認(rèn)值為BORDER_DEFAULT。這個(gè)參數(shù)可以在官方文檔中borderInterpolate()處得到更詳細(xì)的信息。

Laplacian( )函數(shù)其實(shí)主要是利用sobel算子的運(yùn)算。它通過(guò)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(lái)得到我們載入圖像的拉普拉斯變換結(jié)果。

其中，sobel算子（ksize>1）如下：

而當(dāng)ksize=1時(shí)，Laplacian()函數(shù)采用以下3x3的孔徑：

4.3 調(diào)用Laplacian函數(shù)的實(shí)例代碼

讓我們看一看調(diào)用實(shí)例：

示例效果圖：

五、scharr濾波器篇

scharr一般我就直接稱它為濾波器，而不是算子。上文我們已經(jīng)講到，它在OpenCV中主要是配合Sobel算子的運(yùn)算而存在的,一個(gè)萬(wàn)年備胎。讓我們直接來(lái)看看函數(shù)講解吧。

5.1 OpenCV中Scharr函數(shù)詳解

使用Scharr濾波器運(yùn)算符計(jì)算x或y方向的圖像差分。其實(shí)它的參數(shù)變量和Sobel基本上是一樣的，除了沒(méi)有ksize核的大小。

C++: 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

第一個(gè)參數(shù)，InputArray 類型的src，為輸入圖像，填Mat類型即可。
第二個(gè)參數(shù)，OutputArray類型的dst，即目標(biāo)圖像，函數(shù)的輸出參數(shù)，需要和源圖片有一樣的尺寸和類型。
第三個(gè)參數(shù)，int類型的ddepth，輸出圖像的深度，支持如下src.depth()和ddepth的組合：

- 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

第四個(gè)參數(shù)，int類型dx，x方向上的差分階數(shù)。
第五個(gè)參數(shù)，int類型dy，y方向上的差分階數(shù)。
第六個(gè)參數(shù)，double類型的scale，計(jì)算導(dǎo)數(shù)值時(shí)可選的縮放因子，默認(rèn)值是1，表示默認(rèn)情況下是沒(méi)有應(yīng)用縮放的。我們可以在文檔中查閱getDerivKernels的相關(guān)介紹，來(lái)得到這個(gè)參數(shù)的更多信息。
第七個(gè)參數(shù)，double類型的delta，表示在結(jié)果存入目標(biāo)圖（第二個(gè)參數(shù)dst）之前可選的delta值，有默認(rèn)值0。
第八個(gè)參數(shù)， int類型的borderType，我們的老朋友了（萬(wàn)年是最后一個(gè)參數(shù)），邊界模式，默認(rèn)值為BORDER_DEFAULT。這個(gè)參數(shù)可以在官方文檔中borderInterpolate處得到更詳細(xì)的信息。

不難理解，如下兩者是等價(jià)的：

Scharr(src, dst, ddepth, dx, dy, scale,delta, borderType);

與

Sobel(src, dst, ddepth, dx, dy, CV_SCHARR,scale, delta, borderType);

5.2 調(diào)用Scharr函數(shù)的實(shí)例代碼

//-----------------------------------【頭文件包含部分】--------------------------------------- // 描述：包含程序所依賴的頭文件 //---------------------------------------------------------------------------------------------- #include <opencv2/opencv.hpp> #include<opencv2/highgui/highgui.hpp> #include<opencv2/imgproc/imgproc.hpp>//-----------------------------------【命名空間聲明部分】--------------------------------------- // 描述：包含程序所使用的命名空間 //----------------------------------------------------------------------------------------------- using namespace cv; //-----------------------------------【main( )函數(shù)】-------------------------------------------- // 描述：控制臺(tái)應(yīng)用程序的入口函數(shù)，我們的程序從這里開(kāi)始 //----------------------------------------------------------------------------------------------- int main( ) {//【0】創(chuàng)建 grad_x 和 grad_y 矩陣Mat grad_x, grad_y;Mat abs_grad_x, abs_grad_y,dst;//【1】載入原始圖 Mat src = imread("1.jpg"); //工程目錄下應(yīng)該有一張名為1.jpg的素材圖//【2】顯示原始圖 imshow("【原始圖】Scharr濾波器", src); //【3】求 X方向梯度Scharr( src, grad_x, CV_16S, 1, 0, 1, 0, BORDER_DEFAULT );convertScaleAbs( grad_x, abs_grad_x );imshow("【效果圖】 X方向Scharr", abs_grad_x); //【4】求Y方向梯度Scharr( src, grad_y, CV_16S, 0, 1, 1, 0, BORDER_DEFAULT );convertScaleAbs( grad_y, abs_grad_y );imshow("【效果圖】Y方向Scharr", abs_grad_y); //【5】合并梯度(近似)addWeighted( abs_grad_x, 0.5, abs_grad_y, 0.5, 0, dst );//【6】顯示效果圖imshow("【效果圖】合并梯度后Scharr", dst); waitKey(0); return 0; }

運(yùn)行效果圖：

六、綜合示例篇——在實(shí)戰(zhàn)中熟稔

依然是每篇文章都會(huì)配給大家的一個(gè)詳細(xì)注釋的博文配套示例程序，把這篇文章中介紹的知識(shí)點(diǎn)以代碼為載體，展現(xiàn)給大家。

這個(gè)示例程序中，分別演示了canny邊緣檢測(cè)，sobel邊緣檢測(cè)，scharr濾波器的使用，那么，上詳細(xì)注釋的代碼吧：

//-----------------------------------【程序說(shuō)明】---------------------------------------------- // 程序名稱:：《【OpenCV入門(mén)教程之十二】OpenCV邊緣檢測(cè)：Canny算子,Sobel算子,Laplace算子,Scharr濾波器合輯合輯》博文配套源碼 // 開(kāi)發(fā)所用IDE版本：Visual Studio 2010 // 開(kāi)發(fā)所用OpenCV版本： 2.4.9 // 2014年5月11日 Create by 淺墨 // 淺墨的微博：@淺墨_毛星云 http://weibo.com/1723155442/profile?topnav=1&wvr=5&user=1 // 淺墨的知乎：http://www.zhihu.com/people/mao-xing-yun // 淺墨的豆瓣：http://www.douban.com/people/53426472/ //----------------------------------------------------------------------------------------------//-----------------------------------【頭文件包含部分】--------------------------------------- // 描述：包含程序所依賴的頭文件 //---------------------------------------------------------------------------------------------- #include <opencv2/highgui/highgui.hpp> #include <opencv2/imgproc/imgproc.hpp>//-----------------------------------【命名空間聲明部分】-------------------------------------- // 描述：包含程序所使用的命名空間 //----------------------------------------------------------------------------------------------- using namespace cv;//-----------------------------------【全局變量聲明部分】-------------------------------------- // 描述：全局變量聲明 //----------------------------------------------------------------------------------------------- //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;//-----------------------------------【全局函數(shù)聲明部分】-------------------------------------- // 描述：全局函數(shù)聲明 //----------------------------------------------------------------------------------------------- static void ShowHelpText( ); static void on_Canny(int, void*);//Canny邊緣檢測(cè)窗口滾動(dòng)條的回調(diào)函數(shù) static void on_Sobel(int, void*);//Sobel邊緣檢測(cè)窗口滾動(dòng)條的回調(diào)函數(shù) void Scharr( );//封裝了Scharr邊緣檢測(cè)相關(guān)代碼的函數(shù)//-----------------------------------【main( )函數(shù)】-------------------------------------------- // 描述：控制臺(tái)應(yīng)用程序的入口函數(shù)，我們的程序從這里開(kāi)始 //----------------------------------------------------------------------------------------------- int main( int argc, char** argv ) {//改變console字體顏色system("color 2F"); //顯示歡迎語(yǔ)ShowHelpText();//載入原圖g_srcImage = imread("1.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);// 創(chuàng)建與src同類型和大小的矩陣(dst)g_dstImage.create( g_srcImage.size(), g_srcImage.type() );// 將原圖像轉(zhuǎn)換為灰度圖像cvtColor( g_srcImage, g_srcGrayImage, CV_BGR2GRAY );// 創(chuàng)建顯示窗口namedWindow( "【效果圖】Canny邊緣檢測(cè)", CV_WINDOW_AUTOSIZE );namedWindow( "【效果圖】Sobel邊緣檢測(cè)", CV_WINDOW_AUTOSIZE );// 創(chuàng)建trackbarcreateTrackbar( "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 );// 調(diào)用回調(diào)函數(shù)on_Canny(0, 0);on_Sobel(0, 0);//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')) {}return 0; }//-----------------------------------【ShowHelpText( )函數(shù)】---------------------------------- // 描述：輸出一些幫助信息 //---------------------------------------------------------------------------------------------- static void ShowHelpText() {//輸出一些幫助信息printf( "\n\n\t嗯。運(yùn)行成功，請(qǐng)調(diào)整滾動(dòng)條觀察圖像效果~\n\n""\t按下“q”鍵時(shí)，程序退出~!\n""\n\n\t\t\t\t by淺墨" ); }//-----------------------------------【on_Canny( )函數(shù)】---------------------------------- // 描述：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(lái)降噪blur( g_srcGrayImage, g_cannyDetectedEdges, Size(3,3) );// 運(yùn)行我們的Canny算子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0 g_dstImage = Scalar::all(0);//使用Canny算子輸出的邊緣圖g_cannyDetectedEdges作為掩碼，來(lái)將原圖g_srcImage拷到目標(biāo)圖g_dstImage中g(shù)_srcImage.copyTo( g_dstImage, g_cannyDetectedEdges);//顯示效果圖imshow( "【效果圖】Canny邊緣檢測(cè)", g_dstImage ); }//-----------------------------------【on_Sobel( )函數(shù)】---------------------------------- // 描述：Sobel邊緣檢測(cè)窗口滾動(dòng)條的回調(diào)函數(shù) //----------------------------------------------------------------------------------------- void on_Sobel(int, void*) {// 求 X方向梯度Sobel( g_srcImage, g_sobelGradient_X, CV_16S, 1, 0, (2*g_sobelKernelSize+1), 1, 1, BORDER_DEFAULT );convertScaleAbs( g_sobelGradient_X, g_sobelAbsGradient_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 );//計(jì)算絕對(duì)值，并將結(jié)果轉(zhuǎn)換成8位// 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); }//-----------------------------------【Scharr( )函數(shù)】---------------------------------- // 描述：封裝了Scharr邊緣檢測(cè)相關(guān)代碼的函數(shù) //----------------------------------------------------------------------------------------- void Scharr( ) {// 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); }

放出一些運(yùn)行效果圖：

canny邊緣檢測(cè)效果圖：

Sobel邊緣檢測(cè)：

Scharr濾波器：

好的，就放出這些效果圖吧，具體更多的運(yùn)行效果大家就自己下載示例程序回去玩~

本篇文章的配套源代碼請(qǐng)點(diǎn)擊這里下載：

【淺墨OpenCV入門(mén)教程之十二】配套源代碼下載

OK，今天的內(nèi)容大概就是這些，我們下篇文章見(jiàn)：）

總結(jié)

以上是生活随笔為你收集整理的【OpenCV入门教程之十二】OpenCV边缘检测：Canny算子,Sobel算子,Laplace算子,Scharr滤波器合辑的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)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。

上一篇： 7大原因告诉你，为什么IT行业发展前景好
下一篇：算法小结之蛮力法