OpenCV学习（48）

图像变换（2）：基于OpenCV的边缘检测

三，sobel算子；

1. sobel算子的基本概念

2. sobel算子的计算过程

3．使用Sobel算子:Sobel()函数

 4．示例程序:Sobel算子的使用

三，sobel算子

1. sobel算子的基本概念

      Sobel 算子是一个主要用于边缘检测的离散微分算子( discrete differentiationoperator)。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。在图像的任何一点使用此算子，都将会产生对应的梯度矢量或是其法矢量。

2. sobel算子的计算过程

   我们假设被作用图像为Ⅰ然后进行如下操作。

   (1）分别在x和y两个方向求导。
①水平变化:将Ⅰ与一个奇数大小的内核G进行卷积。比如，当内核大小为3时，Gx的计算结果为:

②垂直变化:将:I与一个奇数大小的内核进行卷积。比如，当内核大小为3时,计算结果为:

(2）在图像的每一点，结合以上两个结果求出近似梯度:

3．使用Sobel算子:Sobel()函数

Sobel 函数使用扩展的Sobel算子，来计算一阶、二阶、三阶或混合图像差分。

     (1）第一个参数，InputArray类型的src，为输入图像，填Mat类型即可。

     (2）第二个参数，OutputArray类型的dst，即目标图像，函数的输出参数，需要和源图片有一样的尺寸和类型。
     (3）第三个参数，int类型的ddepth，输出图像的深度，支持如下src.depth()和 ddepth的组合:
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
     (4）第四个参数，int类型dx，x方向上的差分阶数。

     (5）第五个参数，int类型dy，y方向上的差分阶数。
     (6）第六个参数，int类型ksize，有默认值3，表示Sobel核的大小;必须取1、3、5或7。
     (7）第七个参数，double类型的scale，计算导数值时可选的缩放因子，默认值是1，表示默认情况下是没有应用缩放的。可以在文档中查阅 getDerivKernels的相关介绍，来得到这个参数的更多信息。
     (8）第八个参数，double类型的delta，表示在结果存入目标图（第二个参数dst）之前可选的delta值，有默认值0。
     (9）第九个参数，int类型的 borderType，边界模式，默认值为 BORDER_DEFAULT。这个参数可以在官方文档中borderInterpolate处得到更详细的信息。

一般情况下，都是用ksize x ksize内核来计算导数的。然而，有一种特殊情况——当ksize为1时，往往会使用3x1或者1x 3的内核。且这种情况下，并没有进行高斯平滑操作。
一些补充说明如下。
①当内核大小为3时，Sobel 内核可能产生比较明显的误差（毕竟，Sobel算子只是求取了导数的近似值而已)。为解决这一问题，OpenCV提供了Scharr函数，但该函数仅作用于大小为3的内核。该函数的运算与Sobel函数一样快，但结果却更加精确，其内核是这样的:

 因为Sobel算子结合了高斯平滑和分化( differentiation)，因此结果会具有更多的抗噪性。大多数情况下，我们使用sobel函数时，取【xorder = 1，yorder =0，ksize = 3】来计算图像X方向的导数，【xorder = 0，yorder = 1，ksize = 3】来计算图像y方向的导数。
计算图像X方向的导数，取【xorder= 1，yorder = 0，ksize = 3】情况对应的内核:

 4．示例程序:Sobel算子的使用

代码：

#include<opencv2/opencv.hpp>
#include <opencv2/core/utils/logger.hpp>
#include<iostream>
using namespace std;
using namespace cv;//包含cv命名空间
int main()
{
	cv::utils::logging::setLogLevel(utils::logging::LOG_LEVEL_SILENT);//控制台不在输出日志文件
	//创建grad_x和grad_y矩阵
	Mat grad_x, grad_y;
	Mat abs_grad_x, abs_grad_y,dst;
	//载入原始图
	Mat src = imread("E:/pictures/2.jpg");
	//显示原始图
	imshow("【原始图】sobel边缘检测",src);
	//求X方向梯度
	Sobel(src, grad_x, CV_16S, 1, 0, 3, 1, 1, BORDER_DEFAULT);
	convertScaleAbs(grad_x,abs_grad_x);
	imshow("【效果图】x方向sobel",abs_grad_x);
	//求y方向梯度
	Sobel(src, grad_y, CV_16S, 1, 0, 3, 1, 1, BORDER_DEFAULT);
	convertScaleAbs(grad_y, abs_grad_y);
	imshow("【效果图】y方向sobel", abs_grad_y);
	//合并梯度（近似）
	addWeighted(abs_grad_x, 0.5, abs_grad_y, 0.5, 0, dst);
	imshow("【效果图】整体方向Sobel", dst);
	waitKey(0);
	return 0;

}

运行结果：