《Open CV3编程入门》学习笔记11

边缘检测：

 在实际情况中理想的灰度阶跃及其线条边缘图像是很少见到的，同时大多数的传感器件具有低频滤波特性，这样会使得阶跃边缘变为斜坡性边缘，看起来其中的强度变化不是瞬间的，而是跨越了一定的距离。这就使得在边缘检测中首先要进行的工作是滤波（指增强部分）。
1滤波：边缘检测的算法主要是基于图像强度的一阶和二阶导数，但导数通常对噪声很敏感，因此必须采用滤波器来改善与噪声有关的边缘检测器的性能。常见的滤波方法主要有高斯滤波，即采用离散化的高斯函数产生一组归一化的高斯核，然后基于高斯核函数对图像灰度矩阵的每一点进行加权求和。
2增强：增强边缘的基础是确定图像各点邻域强度的变化值。增强算法可以将图像灰度点邻域强度值有显著变化的点凸显出来。在具体编程实现时，可通过计算梯度幅值来确定。

3检测：经过增强的图像，往往邻域中有很多点的梯度值比较大，而在特定的应用中，这些点并不是我们要找的边缘点，所以应该采用某种方法来对这些点进行取舍。实际工程中，常用的方法是通过阈值化方法来检测。

#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>
using namespace cv;
//原图，原图的灰度版，目标图
Mat g_srcImage, g_srcGrayImage,g_dstImage,src1,src2,src3,src4;

//Canny边缘检测相关变量
Mat g_cannyDetectedEdges;
int g_cannyLowThreshold=1;//TrackBar位置参数  

//Sobel边缘检测相关变量
Mat g_sobelGradient_X, g_sobelGradient_Y;
Mat g_sobelAbsGradient_X, g_sobelAbsGradient_Y;
int g_sobelKernelSize=1;//TrackBar位置参数  

//Scharr滤波器相关变量
Mat g_scharrGradient_X, g_scharrGradient_Y;
Mat g_scharrAbsGradient_X, g_scharrAbsGradient_Y;


//-----------------------------------【全局函数声明部分】--------------------------------------
//		描述：全局函数声明
//-----------------------------------------------------------------------------------------------
static void ShowHelpText( );
static void on_Canny(int, void*);//Canny边缘检测窗口滚动条的回调函数
static void on_Sobel(int, void*);//Sobel边缘检测窗口滚动条的回调函数
void Scharr( );//封装了Scharr边缘检测相关代码的函数
void Lapl( );

int main( int argc, char** argv )
{
	//改变console字体颜色
	system("color 2F");  

	//载入原图
	g_srcImage = imread("1.jpg");
	if( !g_srcImage.data ) { printf("Oh，no，读取srcImage错误~！ \n"); return false; }

	//显示原始图
	namedWindow("【原始图】");
	imshow("【原始图】", g_srcImage);

	// 创建与src同类型和大小的矩阵(dst)
	g_dstImage.create( g_srcImage.size(), g_srcImage.type() );

	// 将原图像转换为灰度图像
	cvtColor( g_srcImage, g_srcGrayImage, CV_BGR2GRAY );

	// 创建显示窗口
	namedWindow( "【效果图】Canny边缘检测", CV_WINDOW_AUTOSIZE );
	namedWindow( "【效果图】Sobel边缘检测", CV_WINDOW_AUTOSIZE );
	namedWindow( "拉普拉斯变换", CV_WINDOW_AUTOSIZE );
	// 创建trackbar
	createTrackbar( "参数值：", "【效果图】Canny边缘检测", &g_cannyLowThreshold, 120, on_Canny );
	createTrackbar( "参数值：", "【效果图】Sobel边缘检测", &g_sobelKernelSize, 3, on_Sobel );

	// 调用回调函数
	on_Canny(0, 0);
	on_Sobel(0, 0);

	//调用封装了Scharr边缘检测代码的函数
	Scharr( );
	Lapl();

	//轮询获取按键信息，若按下Q，程序退出
	while((char(waitKey(1)) != 'q')) {}

	return 0;
}

//-----------------------------------【on_Canny( )函数】----------------------------------
//		描述：Canny边缘检测窗口滚动条的回调函数
//-----------------------------------------------------------------------------------------------
void on_Canny(int, void*)
{
	// 先使用 3x3内核来降噪
	blur( g_srcGrayImage, g_cannyDetectedEdges, Size(3,3) );
	//均值滤波，但一般情况下采用高斯滤波器

	// 运行我们的Canny算子
	Canny( g_cannyDetectedEdges, g_cannyDetectedEdges, g_cannyLowThreshold, g_cannyLowThreshold*3, 3 );
	/*Canny边缘检测算子不包含第一步的消除噪声，但包含计算梯度幅值和方向（同Sobel滤波器步骤除去高斯平滑阶段，但Sobel无计算幅值方向），非极大值抑制和滞后阈值两个步骤；
	其中，非极大抑制为排除非边缘像素，仅仅保留了一些细线条（候选边缘）(像素值与梯度值不同！)具体实现原理见http://blog.csdn.net/dcrmg/article/details/52344902；
		滞后阈值需要两个阈值：1若某一像素位置的幅值（为梯度幅值）超过高阈值，则该像素被保留为边缘像素；
		2若某一像素位置的幅值小于低阈值，则该像素被排除；
		3若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是被保留
		第一个参数：输入图像，单通道8位图像；
		第二个参数：输出的边缘图；
		第三个参数：double类型的threshold1，第一个滞后性阈值；
		第四个参数：double类型的threshold2，第二个滞后性阈值，两个阈值中较小的值用于边缘连接，而较大的值用来控制强边缘的初始段，推荐的高低阈值比为2：1到3：1之间；
		第五个参数：int类型的apertureSize，表示应用Sobel算子的孔径大小，其有默认值3；
		第六个参数：bool类型的L2gradient，一个计算图像梯度幅值的标识，有默认值false，如果为真，则梯度幅值使用更精确的L2范数进行计算（即两个方向的倒数的平方和再开方），否则使用L1范数（直接将两个方向导数的绝对值相加）。*/


	//先将g_dstImage内的所有元素设置为0 
	g_dstImage = Scalar::all(0);

	//使用Canny算子输出的边缘图g_cannyDetectedEdges作为掩码，来将原图g_srcImage拷到目标图g_dstImage中
	g_srcImage.copyTo( g_dstImage, g_cannyDetectedEdges);
	/*使得边缘线用原图中的像数值代替openCV中image.copyTo()有两种形式：
    1、image.copyTo(imageROI)，作用是把image的内容粘贴到imageROI；
    2、image.copyTo(imageROI，mask),mask作为一个掩模板，如果在某个像素点(i, j)其值为1（只看第一通道，所以mask单通道即可）则把image.at(i, j)处的值直接赋给imageROI.at(i, j)，如果其值为0则imageROI.at(i, j)处保留其原始像素值。*/
    //显示效果图
	imshow( "【效果图】Canny边缘检测",  g_dstImage );
}



//-----------------------------------【on_Sobel( )函数】----------------------------------
//		描述：Sobel边缘检测窗口滚动条的回调函数
//-----------------------------------------------------------------------------------------
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 );
	/*它结合了高斯平滑和微分求导，用来计算图像灰度函数的近似梯度
	第一个参数：输入图像，可以不是灰度图像，可以为彩色图像；
	第二个参数：输出图像；
	第三个参数：int类型的ddepth,输出图像的深度，针对不同的输入图像，输出目标图像有不同的深度，具体组合如下： 
      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 
      注：ddepth =-1时，代表输出图像与输入图像相同的深度；
	第四、五个参数：int dx：int类型dx，x 方向上的差分阶数，1或0 ；int dy：int类型dy，y 方向上的差分阶数，1或0 
      其中，dx=1，dy=0，表示计算X方向的导数，检测出的是垂直方向上的边缘；dx=0，dy=1，表示计算Y方向的导数，检测出的是水平方向上的边缘。 
    第六个参数：int ksize：默认3，为进行边缘检测时的模板大小为ksize*ksize，取值为1、3、5和7，其中默认值为3。特殊情况：ksize=1时，采用的模板为3*1或1*3。 
      当ksize=3时，Sobel内核可能产生比较明显的误差，此时，可以使用 Scharr 函数，该函数仅作用于大小为3的内核。具有跟sobel一样的速度，但结果更精确！具体内核可见书，但Sobel更具抗噪性： 
      其调用格式为： 
      Scharr( src_gray, grad_x, ddepth, 1, 0, 1, 0, BORDER_DEFAULT ); 
      Scharr( src_gray, grad_y, ddepth, 0, 1, 1, 0, BORDER_DEFAULT ); 
      等价于： 
      /// 求 X方向梯度 
      Sobel(src_gray,grad_x,ddepth, 1, 0, CV_SCHARR, scale, delta, BORDER_DEFAULT ); 
      /// 求 Y方向梯度 
      Sobel(src_gray,grad_y,ddepth, 0, 1, CV_SCHARR, scale, delta, BORDER_DEFAULT );
	第七个参数：double类型的scale，缩放因子，默认为1，即没有缩放；
	第八个参数：double类型的delta，表示存入目标图之前可选的delta值，有默认值0；
    第九个参数：边界模式int borderType：默认值为BORDER_DEFAULT；
	*/
	convertScaleAbs( g_sobelGradient_X, g_sobelAbsGradient_X );//计算绝对值，并将结果转换成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 );//计算绝对值，并将结果转换成8位

	// 合并梯度
	addWeighted( g_sobelAbsGradient_X, 0.5, g_sobelAbsGradient_Y, 0.5, 0, g_dstImage );

	//显示效果图
	imshow("【效果图】Sobel边缘检测", g_dstImage); 

}


//-----------------------------------【Scharr( )函数】----------------------------------
//		描述：封装了Scharr边缘检测相关代码的函数
//-----------------------------------------------------------------------------------------
void Scharr( )
{
	// 求 X方向梯度
	Scharr( g_srcImage, g_scharrGradient_X, CV_16S, 1, 0, 1, 0, BORDER_DEFAULT );
	//见Sobel()函数，无高斯平滑，但结果精确，相比Sobel缺少ksize参数
	convertScaleAbs( g_scharrGradient_X, g_scharrAbsGradient_X );//计算绝对值，并将结果转换成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 );//计算绝对值，并将结果转换成8位

	// 合并梯度
	addWeighted( g_scharrAbsGradient_X, 0.5, g_scharrAbsGradient_Y, 0.5, 0, g_dstImage );

	//显示效果图
	imshow("【效果图】Scharr滤波器", g_dstImage); 
}
void Lapl()
{
	GaussianBlur(g_srcImage,src1,Size(3,3),0,0,BORDER_DEFAULT);
    //高斯滤波
	cvtColor(src1,src2,COLOR_RGB2GRAY);
	//转化为灰度图
	Laplacian(src2,src3,CV_16S,3,1,0,BORDER_DEFAULT);
	/*定义为梯度的散度，其实利用了Sobel算子，当ksize大于1时，输出为原图分别对x,y轴两次求导后的相加，当ksize=1时，采用矩阵0 1 0；1 -4 1；0 1 0；
	第一个参数：输入单通道图像；
	第二个参数：输出边缘图；
	第三个参数：ddept,目标图像的深度；
	第四个参数:int类型的ksize，用于计算二阶导数的滤波器的孔径大小默认为1，且需为正奇数；
	第五个参数：scale，比例因子，默认为1但代表核的大小为3*3；
	第六个参数：delta，默认为0；
	第七个参数：边界模式；
	*/
	convertScaleAbs(src3,src4);
	//计算绝对值，并转化为8位
	imshow("拉普拉斯变换",src4);
}