1.目的
(1)如何使用openCV函数Canny检测边缘
2.原理
(1)Canny 边缘检测算法 是 John F. Canny 于 1986年开发出来的一个多级边缘检测算法,也被很多人认为是边缘检测的 最优算法, 最优边缘检测的三个主要评价标准是:
[1]低错误率: 标识出尽可能多的实际边缘,同时尽可能的减少噪声产生的误报。
[2]高定位性: 标识出的边缘要与图像中的实际边缘尽可能接近。
[3]最小响应: 图像中的边缘只能标识一次。
(2)Canny实现步骤
[1]消除噪声。 使用高斯平滑滤波器卷积降噪。 下面显示了一个 size=5 的高斯内核示例:
[2]计算梯度幅值和方向。 此处,按照Sobel滤波器的步骤:
a.运用一对卷积阵列 (分别作用于 x 和 y 方向):
b.使用下列公式计算梯度幅值和方向:
PS:梯度方向近似到四个可能角度之一(一般 0, 45, 90, 135)
[3]非极大值 抑制。 这一步排除非边缘像素, 仅仅保留了一些细线条(候选边缘)。
图像梯度幅值矩阵中的元素值越大,说明图像中该点的梯度值越大,但这不不能说明该点就是边缘(这仅仅是属于图像增强的过程)。在Canny算法中,非极大值抑制是进行边缘检测的重要步骤,通俗意义上是指寻找像素点局部最大值,将非极大值点所对应的灰度值置为0,这样可以剔除掉一大部分非边缘的点。
根据图1可知,要进行非极大值抑制,就首先要确定像素点C的灰度值在其8值邻域内是否为最大。图1中蓝色的线条方向为C点的梯度方向,这样就可以确定其局部的最大 值肯定分布在这条线上,也即出了C点外,梯度方向的交点dTmp1和dTmp2这两个点的值也可能会是局部最大值。因此,判断C点灰度与这两个点灰度大小 即可判断C点是否为其邻域内的局部最大灰度点。如果经过判断,C点灰度值小于这两个点中的任一个,那就说明C点不是局部极大值,那么则可以排除C点为边 缘。
实际上,我们只能得到C点邻域的8个点的值, 而dTmp1和dTmp2并不在其中,要得到这两个值就需要对该两个点两端的已知灰度进行线性插值,也即根据图1中的g1和g2对dTmp1进行插值,根 据g3和g4对dTmp2进行插值,这要用到其梯度方向,这是上文Canny算法中要求解梯度方向矩阵Thita的原因。
[4]滞后阈值。 最后一步,Canny 使用了滞后阈值,滞后阈值需要两个阈值(高阈值和低阈值):
a.如果某一像素位置的幅值超过 高 阈值, 该像素被保留为边缘像素。
b.如果某一像素位置的幅值小于 低 阈值, 该像素被排除。
c.如果某一像素位置的幅值在两个阈值之间,该像素仅仅在连接到一个高于 高 阈值的像素时被保留
PS:Canny 推荐的 高:低 阈值比在 2:1 到3:1之间。
3.部分代码解释
(1)copyTo
//grad:目的图像
//mask:掩码,对src进行掩码操作然后复制
src.copyTo(grad, mask);
(2)Canny
/*
Canny参数解释
src:输入图像
mask:输出掩码
lowThresh:低阈值
ratio*lowThresh:高阈值
kernel_size:卷积核大小:奇数
*/
//Canny输出结果为掩码
Canny(src, mask, lowThresh, ratio*lowThresh, 2*kernel_size+1);
4.完整代码
(1)CommonInclude.h
#ifndef COMMON_INCLUDE
#define COMMON_INCLUDE
#include<iostream>
using namespace std;
#include<opencv2/core/core.hpp>
#include<opencv2/highgui/highgui.hpp>
#include<opencv2/imgproc/imgproc.hpp>
using namespace cv;
#endif
(2)Edge.cpp
#include "CommonInclude.h"
int edge_type = 0;
int kernel_size = 3;
int scale = 1;
int max_edge_type = 3;
int max_kernel_size = 11;
int ddepth = CV_16S;
int lowThresh = 0;
int max_lowThresh = 85;
//Canny 推荐的 高:低 阈值比在 2:1 到3:1之间。
int ratio = 3;
double delta = 0;
char windowNameOrigin[] = "Origin";
char windowNameEdge[] = "Edge";
/*
0:Sobel
1:Scharr
2:laplace
3:canny
*/
Mat src, grad;
Mat gradX, gradY;
Mat absGradX, absGradY;
Mat mask;
void EdgeDetector(int, void*){
switch(edge_type){
case(0):
//Sobel detector
/*
sobel参数解释
src:输入图像
ddepth:图像深度
x_order:x方向梯度
y_order:y方向梯度
kernel_size:核大小(为奇数)
scale:尺度,计算导数时的缩放因子
delta:梯度偏置值,对计算结果的偏置
BORDER_DEFAULT:默认边界设置
*/
Sobel(src, gradX, ddepth, 1, 0, 2*kernel_size+1, scale, delta, BORDER_DEFAULT);
Sobel(src, gradY, ddepth, 0, 1, 2*kernel_size+1, scale, delta, BORDER_DEFAULT);
convertScaleAbs(gradX, absGradX);
convertScaleAbs(gradY, absGradY);
addWeighted(absGradX, 0.5, absGradY, 0.5, 0, grad);
break;
case(1):
/*
scharr参数解释
src:输入图像
ddepth:图像深度
x_order:x方向梯度
y_order:y方向梯度
scale:尺度,计算导数时的缩放因子
delta:梯度偏置值,对计算结果的偏置
BORDER_DEFAULT:默认边界设置
*/
//Scharr只能使用大小为3的卷积核
Scharr(src, gradX, ddepth, 1, 0, scale, delta, BORDER_DEFAULT);
Scharr(src, gradY, ddepth, 0, 1, scale, delta, BORDER_DEFAULT);
convertScaleAbs(gradX, absGradX);
convertScaleAbs(gradY, absGradY);
addWeighted(absGradX, 0.5, absGradY, 0.5, 0, grad);
break;
case(2):
/*
Laplacian参数解释
src:输入图像
grad:输出图像
ddepth:输出图像的深度
kernel_size:卷积核大小(必须是奇数)
scale:计算导数时的缩放因子:scale×导数
delta:偏置,对计算结果的偏置
BORDER_DEFAULT:默认边界设置
*/
Laplacian(src, grad, ddepth, 2*kernel_size+1, scale, delta, BORDER_DEFAULT);
convertScaleAbs(grad, grad);
break;
case(3):
/*
Canny参数解释
src:输入图像
mask:输出掩码
lowThresh:低阈值
ratio*lowThresh:高阈值
kernel_size:卷积核大小:奇数
*/
//Canny输出结果为掩码
Canny(src, mask, lowThresh, ratio*lowThresh, 2*kernel_size+1);
//cout << mask << endl;
src.copyTo(grad, mask);
break;
default:
cout << "error type!!!" << endl;
break;
}
imshow(windowNameEdge, grad);
}
int main(int argc, char** argv){
if(argc<2){
cout << "more parameters are required!!!" << endl;
return(-1);
}
src = imread(argv[1]);
if(!src.data){
cout << "erro to read image!!!" << endl;
return(-1);
}
namedWindow(windowNameEdge, CV_WINDOW_AUTOSIZE);
//高斯处理
GaussianBlur(src, src, Size(3,3), 0, 0, BORDER_DEFAULT);
//转化为灰度图像
cvtColor(src, src, CV_BGR2GRAY);
imshow(windowNameOrigin, src);
createTrackbar("Edge Type:\n0 Sobel\n1 Scharr\n2 laplace \n3 Canny", windowNameEdge,
&edge_type, max_edge_type,
EdgeDetector);
createTrackbar("Kernel Size:2*n+1", windowNameEdge,
&kernel_size, max_kernel_size,
EdgeDetector);
createTrackbar("Low Threshold", windowNameEdge,
&lowThresh, max_lowThresh,
EdgeDetector);
EdgeDetector(0,0);
waitKey(0);
}