OpenCV核心模块核心提炼（三） —— 边缘检测之拉普拉斯

理论

1. 在上一个教程中，我们学习了如何使用Sobel算子。这是基于以下事实：在边缘区域中，像素强度显示出“跳跃”或强度的高度变化。获得强度的一阶导数，我们观察到边缘的特征是最大值，如图中所示：

   

2. 那么.....如果我们采用二阶导数会发生什么？

   

   您可以观察到二阶导数为零！因此，我们也可以使用此标准来尝试检测图像中的边缘。但请注意，零不仅会出现在边缘（它们实际上可能出现在其他无意义的位置）; 这可以通过在需要时应用过滤来解决。

拉普拉斯算子

1. 从上面的解释，我们推断出二阶导数可用于检测边缘。由于图像是“ 2D ”，我们需要在两个维度上采用导数。拉普拉斯算子在这里很方便。
2. 的拉普拉斯算子被定义为：

1. Laplacian算子由OpenCV函数Laplacian实现。实际上，由于拉普拉斯算子使用图像的梯度，因此它在内部调用Sobel算子来执行其计算。

说明

1. 创建一些所需的变量：

   Mat src, src_gray, dst;
   int kernel_size = 3;
   int scale = 1;
   int delta = 0;
   int ddepth = CV_16S;
   char* window_name = "Laplace Demo";

    

2. 加载源图像：

   src = imread( argv[1] );
   
   if( !src.data )
     { return -1; }

    

3. 应用高斯模糊来减少噪音：

   GaussianBlur( src, src, Size(3,3), 0, 0, BORDER_DEFAULT );

    

4. 使用cvtColor将图像转换为灰度

   cvtColor( src, src_gray, CV_BGR2GRAY );

    

5. 将拉普拉斯算子应用于灰度图像：

   Laplacian( src_gray, dst, ddepth, kernel_size, scale, delta, BORDER_DEFAULT );

   参数在哪里：

   • src_gray：输入图像。
   • dst：目标（输出）图像
   • ddepth：目标图像的深度。由于我们的输入是CV_8U，我们定义ddepth = CV_16S以避免溢出
   • kernel_size：要在内部应用的Sobel运算符的内核大小。我们在这个例子中使用3。
   • scale，delta和BORDER_DEFAULT：我们将它们保留为默认值。

6. 将拉普拉斯算子的输出转换为CV_8U图像：

   convertScaleAbs( dst, abs_dst );

    

7. 在窗口中显示结果：

   imshow( window_name, abs_dst );

    

结果

1. 在编译上面的代码之后，我们可以运行它作为参数给出图像的路径。例如，使用输入：

   

2. 我们得到以下结果。注意奶牛的树木和轮廓是如何定义的（除了在强度非常相似的区域，即在牛的头部周围）。此外，请注意树木后面的屋顶（右侧）是众所周知的标记。这是因为该区域的对比度较高。