day17：图像的边缘检测

需要说 的是 由于求取边缘结果可能会有负数， 不在原始图像的 8U 的数据类型内，因此滤波后的图像数据类型为 CV 1 6S

 代码：

void visionagin::Myedge(Mat& img)
{
	Mat kernelx = (Mat_<float>(1, 3) << 1, 0, -1);//x方向的边缘检测滤波器
	Mat kernely = (Mat_<float>(3, 1) << 1, 0, -1);// y 方向的边缘检测滤波器
	Mat kernelleftup=(Mat_<float>(2, 2) << 1, 0, 0, -1);//左上到右下
	Mat kernelrightup = (Mat_<float>(2, 2) << 0,-1,1,0);//右上到左下
	Mat resx, resy, reslu, resru,res;//求取边缘检测后的数据有负数，用cv_16s接收
	filter2D(img, resx, CV_16S, kernelx, Point(-1, -1));
	filter2D(img, resy, CV_16S, kernely, Point(-1, -1));
	filter2D(img, reslu, CV_16S, kernelleftup, Point(-1, -1));
	filter2D(img, resru, CV_16S, kernelrightup, Point(-1, -1));
	convertScaleAbs(resx, resx);
	convertScaleAbs(resy, resy);
	convertScaleAbs(reslu, reslu);
	convertScaleAbs(resru, resru);//将结果图像像素值绝对值化
	res = resx + resy;
	imshow("res", res);//x,y方向的边缘检测方向结果相加即为整个图像的边缘检测结果
	imshow("resx", resx);
	imshow("resy", resy);
	imshow("reslu", reslu);
	imshow("resru", resru);
}

 

 1：Sobel算子

任意-个方向的差分阶数都需要小子算子的尺寸，特殊情况是，当 ksize=1 时，任意一个方向阶数需要小于 3. 在一般情况下，当差分阶数的最大值为1时，算子尺寸选3 ，当差分阶数的最大值为 2时，算子尺寸选5 ，当差分阶数最大值为3， 算子尺寸选 7. 当算子尺寸 ksize=,1，程序中使用的算子尺寸不再是正方形而是 3x 1 或者 1x 3.

 

代码：

void visionagin:: SobelOperate(Mat& img)
{
	Mat resx, resy, res;
	Sobel(img, resx, CV_16S, 2, 0, 5);//x方向二阶边缘
	Sobel(img, resy, CV_16S, 0, 1, 3);//y方向一阶边缘
	convertScaleAbs(resx, resx);
	convertScaleAbs(resy, resy);
	res = resx + resy;
	imshow("res", res);
	imshow("resx", resx);
	imshow("resy", resy);
}

 

2.Scharr算子：

虽然 S obel 算子 可以有效地提取图像 边缘，但 是对图像中较弱的边缘提取效果较差.因此 为 了能够有效地提取出较弱的边缘， 要将像 素值间的 差距增大， 于是引 入 Scharr 算子. Scharr 算子

是对 Sobel 差异性的增强，因此两者在 检测图 像边缘的 原理和使 用方式上相 同. Scharr 算子的

边缘检测滤波的尺寸为3  x3，  因此也称其 Scharr 滤波器.

 该函数的第四个、第五个参 数分别是提取x方向边缘和y方向边缘的标志，该函数要求这两个参数只能有一个参数为 1. 且不能同时为 0.否则则该函数将无法提取图像边缘，该函数默认的滤波器尺寸为 3x 3并且无法修改.

 3.生成边缘检测滤波器

Scharr   算子只有 两 种， 但是 Sobel  算子却有不同尺寸、不同阶次,  在实际使用过程中, 即使了解 Sobel  算子的原理 , 推导出边缘提取需 要的滤波器也 是十分复杂而烦琐的任务。

并且，有时我们并不希望提取图像中的边缘，而是希望得到能够提取图像边缘的滤波器，通过

对滤波器的修改提升边缘检测的效果.在 Opencv  中，提供了 ge tDe rivKern els() 函数，通过该

函数可以得到不同尺寸、不同阶次的 Sobel 算子和 Scharr  算子的滤波器.

void visionagin:: GetkerenelOperate(Mat& img)
{
	Mat sobelx1, sobelx2, sobelx3,sobely1,sobely2,sobely3, scharrx1,scharry1;
	Mat sobel1, sobel2, sobel3, scharr1;
	//x方向一阶sobel算子
	getDerivKernels(sobelx1, sobely1, 1, 0, 3);//结果Ksize*1的矩阵
	sobelx1 = sobelx1.reshape(CV_8U, 1);
	sobel1 = sobely1 * sobelx1;//相乘的矩阵列行相等
	//x方向二阶sobel算子
	getDerivKernels(sobelx2, sobely2, 2, 0, 5);
	sobelx2 = sobelx2.reshape(CV_8U, 1);
	sobel2 = sobely2 * sobelx2;
	//y方向三阶sobel算子
	getDerivKernels(sobelx3, sobely3, 0, 3, 7);
	sobelx3 = sobely3.reshape(CV_8U, 1);
	sobel3 = sobely3 * sobelx3;
	//x方向一阶Scharr算子
	getDerivKernels(scharrx1, scharry1, 1, 0, FILTER_SCHARR);//生成Scharr算子标志，FILTER_SCHARR
	scharrx1 = scharrx1.reshape(CV_8U, 1);
	scharr1 = scharry1 * scharrx1;
	cout << sobel1 << endl;
	cout << sobel2 << endl;
	cout << sobel3 << endl;
	cout << scharr1 << endl;
}

 4.Laplacian算子

上述的边缘检测算子都具有方向， 因此需要分别求x 方向的边缘,y方 向的边 缘，将两个方向的边缘综合得到图像的整 体边缘，Laplacian算子 具有各 方向同 性的特性，能 够对任意方向的边缘进行提取，具有 无方 向性 的优点 ， 使用Laplacian算子 提取边缘不需要 检测 x方向 的边缘和y方向的边缘 ，只需要一 次边缘检 测. Laplacian算子 是一种二阶 导数算子，对噪声 敏感， 因此常需要配合 高斯滤波 一 起使用。

void visionagin::LaplassianOperate(Mat& img)
{
	Mat lapsres, lapsres2;
	Laplacian(img, lapsres, CV_16S, 1);
	convertScaleAbs(lapsres, lapsres);//绝对值化
	imshow("未去除噪声", lapsres);//未进行高斯滤波进行的laps边缘检测

	GaussianBlur(img, img, Size(3, 3), 1);//先进行高斯滤波
	Laplacian(img, lapsres2, CV_16S, 3);
	convertScaleAbs(lapsres2, lapsres2);
	imshow("去除噪声后", lapsres2);
}

结果：

 

 5.Canny算法

 

void visionagin:: Mycanny(Mat& img)
{
	Mat res1, res2, res3, res4;
	Canny(img, res1, 20, 40);
	imshow("res1低阈值", res1);//低阈值

	Canny(img, res2, 100, 200);
	imshow("res2高阈值", res2);//高阈值

	GaussianBlur(img, img, Size(3, 3), 5);
	Canny(img, res3, 20, 40);//进行了高斯滤波
	imshow("res3低阈值", res3);

	Canny(img, res4, 100, 200);
	imshow("res4高阈值", res4);
}

结果：分别为未进行高斯滤波，Canny低阈值，高阈值图像，以及进行高斯滤波Canny低阈值，高阈值图像

 未进行高斯滤波以及进行了高斯滤波：

结果表明高斯模糊在边缘纹理较多的区域能减少边缘检测的结果 但是对纹理较少 的区域影响较小.