计算机视觉class3

要点

1.边缘检测
2.二值图像及其边界提取（各分割图像的面积、边界的长度）
3.区域骨架提取（细化）

解释

1.边缘检测
（1）概念：边缘检测的目的是标识数字图像中亮度变化明显的点。
（2）方法：①基于查找—>寻找图像一阶导数信息，通过导数的最大（小）值来检测边缘。
　　　　　 ②基于零穿越—->寻找图像二阶导数信息，通过二阶导数零穿越来寻找边界。
　核心的思想都是利用灰度值的不连续性和相似性。
　
（3）流程：1）Filter 对噪声有强敏感性，常用的滤波方法是高斯，用离散化的高斯函数产生归一化的高斯核。
2）Enhancement 确定各点邻域强度的变化值，目的是将局部强度值有显著变化的点凸显出来。
3）Detection(Location) 对凸显出来的显著点进行处理（过滤），工程中，常用阈值法。

（4）几种算法：
①Sobel算子
反映的是一阶导数信息，在离散域上表现为差分算子，在图像上运用Sobel算子能够得到对应的灰度矢量。
转换成核卷积的方式：（3×3）

如果梯度G大于某一阈值，则认为该点（x,y）为边缘点。

Summary：Sobel算子根据像素点上下、左右邻点灰度加权差，在边缘处达到极值这一现象检测边缘。对噪声具有平滑作用，提供较为精确的边缘方向信息，边缘定位精度不够高。当对精度要求不是很高时，是一种较为常用的边缘检测方法。

②Laplace算子
反映的是二阶导数信息，一个二维图像函数的Laplace变换是各向同性的二阶导数。

转换成模板的形式：

Tips：由Laplace算子获得图像锐化效果，由mask中心系数负正分为：

Summary：从模板形式容易看出，如果在图像中一个较暗的区域中出现了一个亮点，那么用Laplace运算就会使这个亮点变得更亮。用二次微分正峰和负峰之间的过零点来确定，对孤立点或端点更为敏感，因此特别适用于以突出图像中的孤立点、孤立线或线端点为目的的场合。

③Scharr滤波器
Scharr滤波器其实相当于Sobel算子，相当于Sobel算子采取固定核大小的实现。在程序编写中，也是基于Sobel算子，只不过把核的大小选取这一步骤给省略了。

④Canny算子
state-of-art technology，Canny于1986年开发出，并创立了边缘检测计算理论，解释了边缘检测技术是如何工作的。他提出了最优边缘检测的三个主要评价标准。
1）低错误率。标识出尽可能多的边缘，并减小噪声误报。
2）高定位性。标识的边缘与实际边缘尽可能接近。
3）最小响应。图像的边缘只能标识一次，可能存在的图像噪声不应标识为边缘。

操作步骤：1）Denoise. 利用高斯平滑滤波器卷积降噪。
2）Sobel算子。按照Sobel算子的步骤来操作，计算梯度幅值和方向。
在方向选取上取4个角度之一进行量化。以45度为限。
3）Restriction. 非极大值抑制，滤除非边缘像素，寻找像素点局部最大值，将非极大值点所对应的灰度值置为0。
4）Threshold. 使用滞后阈值，即有一个高阈值和一个低阈值，在高阈值图像中把边缘链接成轮廓，当到达轮廓的端点时，该算法会在断点的8邻域点中寻找满足低阈值的点，再根据此点收集新的边缘，直到整个图像边缘闭合。

********************************华丽丽的分割线********************************************************

Conculsion：所有的边缘检测算法都是基于导数（梯度）的信息去实现的，在主方法确定的情况下，运用各种滤波手段对图像中的奇异点进行滤除，消除噪声与其它因素所造成的像素值突变的干扰，再利用阈值法来达到高质量的边缘识别。

2.边界提取
用到了形态学操作，主要涉及到腐蚀与膨胀。
简单而言，形态学操作就是基于形状的一系列图像处理操作。
腐蚀与膨胀能够完成很多功能：消除噪声；分割出独立的图像元素；求出图像梯度；找到图像中明显的极大值与极小值区域等等。
注意：腐蚀与膨胀是对白色区域而言的（二值图像，非黑即白）。膨胀是对图像中的高亮部分进行膨胀，类似于扩张，能得到比原图更大的高亮区域，腐蚀则相反，类似于蚕食，得到比原图更小的高亮区域。
从数学角度来看，膨胀或腐蚀操作就是将图像（或某一部分）与核进行卷积。核B的大小也叫结构体。

要得到边界，可以用膨胀后的图减去原图，或者原图减去腐蚀后的图。

3.骨架提取(图像细化)
简单来说，图像的细化就是经过一层层的剥离，去掉一些点，但要保持原来的形状，一直到能得到图像的骨架。
Zhang-Suen细化算法通常是一个迭代算法，整个迭代过程分为两步：

Step One：循环所有前景像素点，对符合如下条件的像素点标记为删除：

1. 2 <= N(p1) <=6

2. S(P1) = 1

3. P2 * P4 * P6 = 0

4. P4 * P6 * P8 = 0

其中N(p1)表示跟P1相邻的8个像素点中，为前景像素点的个数

S(P1)表示从P2 ～ P9 ～ P2像素中出现0～1的累计次数，其中0表示背景，1表示前景

完整的P1 ～P9的像素位置与举例如下：

其中 N(p1) = 4, S(P1) = 3, P2*P4*P6=0*0*0=0, P4*P6*P8=0*0*1=0, 不符合条件，无需标记为删除。

Step Two：跟Step One很类似，条件1、2完全一致，只是条件3、4稍微不同，满足如下条件的像素P1则标记为删除，条件如下：

1. 2 <= N(p1) <=6

2. S(P1) = 1

3. P2 * P4 * P8 = 0

4. P2 * P6 * P8 = 0

循环上述两步骤，直到两步中都没有像素被标记为删除为止，输出的结果即为二值图像细化后的骨架。
参考：CSDN图像细化

代码

1.边缘检测
①Sobel算子

#include <opencv2\opencv.hpp>
using namespace cv;

Mat g_srcImage, g_GrayImage, g_dstImage;
Mat g_sobelGradient_x, g_sobelGradient_y;
Mat g_sobelAbsGradient_x, g_sobelAbsGradient_y;
int g_sobelKernelSize = 1;


static void on_Sobel(int, void*)
{
    Sobel(g_GrayImage, g_sobelGradient_x, -1, 1, 0, (2 * g_sobelKernelSize + 1), 1, 1, BORDER_DEFAULT);
    convertScaleAbs(g_sobelGradient_x, g_sobelAbsGradient_x);

    Sobel(g_GrayImage, g_sobelGradient_y, -1, 0, 1, (2 * g_sobelKernelSize + 1), 1, 1, BORDER_DEFAULT);
    convertScaleAbs(g_sobelGradient_y, g_sobelAbsGradient_y);

    addWeighted(g_sobelAbsGradient_x, 0.5, g_sobelAbsGradient_y, 0.5, 0, g_dstImage);
    imshow("result", g_dstImage);
}

int main()
{
    system("color 2F");

    g_srcImage = imread(