新人学习opencv图像处理的笔记，二：c++操作简单的图像缩小和边缘检测思路

本文链接：https://blog.csdn.net/asdqw111/article/details/107840843

新人学习opencv图像处理的笔记，二：c++操作简单的图像缩小和边缘检测思路

图像缩小的两种思路

一：间隔取样

这种思路笔者也没想到，是看网友的博客才知道的。间隔取样的基本操作就是通过计算，有选择地、等间隔地在原图中选择像素，放入新图中。

这种方法在宏观上来看，好像没什么毛病。毕竟图像的缩小在我们肉眼中，就是在原图的基础上去删减像素点，从而实现图像的缩小。但是仔细思考，这种方法会造成图像的特征丢失。
在这里插入图片描述
在原图像素与缩小比例满足一定关系时，确实间隔取样是个不错的方法，毕竟算法简单，计算量小。从上图来看，等间隔1取样，确实完美做到了缩小的关系。可是下图呢？

上图（视为精密排列的像素点）中的两种取样都不合适。如果取红色，那么黑色点作为特征点丢失了，取黑色也一样。所以间隔取样的方法要慎用，计算简单的代价可能是图的失真。

二：通过局部取样的图像缩小

上学期笔者感兴趣CNN，查卷积池化时想到的一种方法。

首先，我们需要定义一个核K，用于提取局部的像素值，然后需要确定滑动步长S（笔者建议滑动步长S的大小要小于K的大小，不然就重新回到了间隔取样的问题，特征丢失），这里笔者自己推了一个公式，可供参考：
在这里插入图片描述

其中MN是指原图的行列数，mn是缩小倍数后的行列数，S是滑动步长，K是核大小。这个公式里只有两个未知数，S和K。为了避免变形为间隔取样，笔者的思路是先确定滑动步长S，然后根据滑动步长来算核K的大小。笔者把K设成了一个未确定大小的方阵，具体K是个什么样的矩阵还要看情况。其次，滑动步长S分成x和y方向，两个方向的值可以相同，可以不同，这就取决于操作者了。

确定了需要的参数后，我们的工作就只剩下算值和赋值了。步骤如下
在这里插入图片描述

假设K的大小是2x2，S的大小是2。如上图所示，先将K放入原图中的第一个区域（左上角的块），使用均值的方法（(P1+P2+P3+P4)/4），也可以用不同权重取处理四个点，将4个Pixel的平均值作为得到的像素点，放入新图的对应点处。然后按滑动步长的大小依次向左下移动核，按照上述方法求像素。

笔者想的这种方法相比于间隔取样而言，计算量大，操作性不高，而且也不是完全不失真。比如得事先在函数中设置S的大小，然后让计算机算K的大小，然而K如果过大，操作过后的图像会出现模糊，也会丢失某些特征点或者说是特征点被掩盖了。

这个是笔者的结果图：
在这里插入图片描述

边缘检测的两种思路

第一种：Canny

边缘检测现在opencv用的是canny算子,最主要的算法。是根据四个方向（横竖两对角）的梯度来算的。当梯度出现零点时，代表导数不变，这个不变点就可视为一个边缘点。Canny算子需要的数学知识有点多，笔者也没弄清楚，所以要想知道详情，请参看下方其他作者博客
Canny边缘检测算子详情

第二种：基于Canny的简化版

笔者的思路和Canny算子的核心差不多，都是找像素断层点。不过笔者确实没那么高的水平，没想到用梯度的方法，而是取周围八个相邻区域的像素点值，做差比较。这个方法比较适合和笔者一样c++水平有限，高数有限的入门新手试试。

同上文中的缩小算法一样，先定义一个核K大小3x3，然后确定步长S（因为是原图检测，不需要放缩，这里就直接定为1了）。OK，准备工作搞定了，那么就开始简化吧，同样的选取一个点，以这个点为中心，做一个K，包起来，按照自己需要的权重算出来这个K的值。
---------------------------------用核的原因是减少噪声的干扰。
在这里插入图片描述
如图得到K后，分别以周围8个点中心（图中只标出了以四个顶点为中心的K），分别得到：K0,K1,K2,K3,K4,K5,K6,K7。用这8个值与K做差且做绝对值处理。得到八个值。我们需要用这8个值来与一个标准C进行比较，这个C由我们自己决定，笔者想法中，C代表像素变化的上界，当八个值都小于C时，表示在操作者眼中变化平滑，所以不是边缘，反之则是边缘点，给边缘点打上标记就行了。由此完成了终极简化版检测。
注意：其实上述思路是有问题的，变化平滑与否，终究是取决于梯度，客观表现在导数，而不是直观的像素做差，这里是笔者的一个脑洞算法，只能用一些简单，色差大，轮廓明显的图像。如下是笔者在两种不同图上的效果
第一张，效果还不错，O(∩_∩)O
在这里插入图片描述
第二张，简直就是见鬼了