基于opencv的几种图像边缘检测f

本文主要介绍几种常见的边缘检测算法：canny边缘检测、Sobel边缘检测、Laplacian边缘检测和Scharr边缘检测。

1. 主要介绍基于canny算子的边缘检测：Canny边缘检测基本原理

(1)图象边缘检测必须满足两个条件：一能有效地抑制噪声；二必须尽量精确确定边缘的位置。

(2)根据对信噪比与定位乘积进行测度，得到最优化逼近算子。这就是Canny边缘检测算子。

(3)类似与Marr（LoG）边缘检测方法，也属于先平滑后求导数的方法。

 

基于opencv库函数为：

Canny边缘检测函数

Canny (InputArray image, OutputArray edges, double threshold, double threshold2,int apertureSize = 3, bool L2gradient = false)

参数功能：

image：输入图像
edges：输出图像
threshold：第一个滞后性阈值
threshold2：第二个滞后性阈值
apertureSize：表示应用Sobel算子的孔径大小，默认值为3
L2gradient：一个计算图像梯度幅值的标识，默认值false

实现代码：

#include <opencv2/opencv.hpp>

#include<iostream>

using namespace cv;

using namespace std;



int main()

{

       Mat src = imread("lena.jpg");

       imshow("原图", src);

       Mat dst, edge, gray;

       //将原图像转换为灰度图像

       cvtColor(src, gray, COLOR_BGR2GRAY);

       //使用canny算子

       Canny(gray, edge, 3, 9, 3);

       imshow("canny边缘检测结果", edge);



       waitKey();

       return 0;

}

结果

                                                                  原图

                                                                   结果

2. Sobel 算子是一个离散微分算子。 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。基于opencv库的实现函数为：

Soble边缘检测函数：

Sobel(InputArray src,OutputArray dst, int ddepth, int dx,int dy,int ksize= 3,double scale = 1,double delta = 0, int borderType = BORDER_DEFAULT)

• 1 src：输入图像
  2 dst：输出图像
  3 ddepth：输出图像的深度，取值规则如下：
         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
  4 dx：x方向上的差分阶数
  5 dy：y方向上的差分阶数
  6 ksize：表示soble核的大小，必须取1、3、5或7，默认值是3.
  7 scale：计算导数值时可选的缩放因子，默认值是1，表示默认情况下是应用缩放的。
  8 delta：表示在结果存入目标图之前可选的delta值，默认值为0
  9 borderType：边界模式，默认值为BORDER_DEFAULT

   

•  

实现代码：

#include <opencv2/opencv.hpp>

#include<iostream>

using namespace cv;

using namespace std;



int main()

{

           Mat grad_x, grad_y,gray;

           Mat abs_grad_x, abs_grad_y, dst;

           Mat src = imread("lena.jpg");

           imshow("原图", src);

          

           //将原图像转换为灰度图像

           cvtColor(src, gray, COLOR_BGR2GRAY);

           //使用Sobel算子,在x方向上边缘检测

           Sobel(gray, grad_x, CV_16S, 1, 0, 3, 1, 1, BORDER_DEFAULT);

           convertScaleAbs(grad_x, abs_grad_x);

           imshow("x方向边缘检测结果", abs_grad_x);

           //使用Sobel算子,在y方向上边缘检测

           Sobel(gray, grad_y, CV_16S, 0, 1, 3, 1, 1, BORDER_DEFAULT);

           convertScaleAbs(grad_y, abs_grad_y);

           imshow("y方向边缘检测结果", abs_grad_y);

           addWeighted(abs_grad_x, 0.5, abs_grad_y, 0.5, 0, dst);

           imshow("完整边缘检测结果", dst);

           waitKey();

           return 0;

}

结果：

                                                               原图

                                                       x方向边缘检测结果

                                                 y方向边缘检测结果

                                                       完整边缘检测结果

3. 拉普拉斯是一种各向同性二阶微分算子。Laplace算子对孤立象素的响应要比对边缘或线的响应要更强烈，因此只适用于无噪声图象。基于opencv的库函数为：

Laplacian边缘检测函数

Laplacian (InputArray src, OutputArray dst,int ddepth ,int ksize = 1,double scale = 1,double delta = 0,intborderType = BORDER_DEFAULT)

• 1 src：输入图像
  2 dst：输出图像
  3 ddepth：输出图像的深度，取值规则如下：
         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
  
  4 dx：x方向上的差分阶数
  5 dy：y方向上的差分阶数
  6 ksize：表示soble核的大小，必须取1、3、5或7，默认值是3.
  7 scale：计算拉普拉斯值的时候可选的比例因子，默认值为1
  8 delta：表示在结果存入目标图之前可选的delta值，默认值为0
  9 borderType：边界模式，默认值为BORDER_DEFAULT.

   

实现代码：

#include <opencv2/opencv.hpp>

#include<iostream>

using namespace cv;

using namespace std;



int main()

{

           Mat abs_dst, dst,gray;

           Mat src = imread("lena.jpg");

           imshow("原图", src);

          

           //将原图像转换为灰度图像

           cvtColor(src, gray, COLOR_BGR2GRAY);

           //使用Sobel算子,在x方向上边缘检测

           Laplacian(gray, dst, CV_16S, 3, 1, 0, BORDER_DEFAULT);

           convertScaleAbs(dst, abs_dst);

           imshow("Laplacian边缘检测结果", abs_dst);

          

           waitKey();

           return 0;

}

结果：

                                                             原图

                                                  laplacian边缘检测结果

4. Scharr边缘检测函数

Scharr (InputArray src, OutputArray dst,int ddepth ,int ksize = 1,double scale = 1,double delta = 0,int borderType = BORDER_DEFAULT)

• 1 src：输入图像
  2 dst：输出图像
  3 ddepth：输出图像的深度，取值规则如下：
          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
  
  4 dx：x方向上的差分阶数
  5 dy：y方向上的差分阶数
  6 ksize：表示soble核的大小，必须取1、3、5或7，默认值是3.
  7 scale：计算拉普拉斯值的时候可选的比例因子，默认值为1
  8 delta：表示在结果存入目标图之前可选的delta值，默认值为0
  9 borderType：边界模式，默认值为BORDER_DEFAULT.

   

实现代码：

#include <opencv2/opencv.hpp>

#include<iostream>

using namespace cv;

using namespace std;



int main()

{

           Mat grad_x, grad_y,gray;

           Mat abs_grad_x, abs_grad_y, dst;

           Mat src = imread("

lena.jpg");

           imshow("原图", src);

          

           //将原图像转换为灰度图像

           cvtColor(src, gray, COLOR_BGR2GRAY);

           //使用Sobel算子,在x方向上边缘检测

           Scharr(gray, grad_x, CV_16S, 1, 0, 1, 0, BORDER_DEFAULT);

           convertScaleAbs(grad_x, abs_grad_x);

           imshow("x方向边缘检测结果", abs_grad_x);

           //使用Sobel算子,在y方向上边缘检测

           Scharr(gray, grad_y, CV_16S, 0, 1, 1, 0, BORDER_DEFAULT);

           convertScaleAbs(grad_y, abs_grad_y);

           imshow("y方向边缘检测结果", abs_grad_y);

           addWeighted(abs_grad_x, 0.5, abs_grad_y, 0.5, 0, dst);

           imshow("完整边缘检测结果", dst);

           waitKey();

           return 0;

}

结果：

                                                               原图

                                                     x方向边缘检测结果

                                                        y方向边缘检测结果

                                                    完整边缘检测结果

到此图像边缘检测常见的四种方法介绍完毕，欢迎留言指正，如有对图像处理、计算机视觉感兴趣的小伙伴关注公众号，一起学习进步。

可以微信搜索“图像处理CV讲武堂”关注，也可如下二维扫码关注。