opencv笔记(4)：边缘检测

五、边缘检测

边缘检测的一般步骤：滤波--->增强--->检测。

边缘检测的主要算子和滤波器有：Canny算子、Soble算子、Laplace算子和Scharr滤波器。

滤波：边缘检测的算法主要是基于图像强度的一阶和二阶导数，但是导数对噪声很敏感，所以需要采用滤波来改善和噪声有关的边缘检测器的性能。主要的滤波为高斯滤波。

增强：增强边缘的基础是确定图像各点领域强度的变化值。增强算法可以将图像领域强度值有明显变化的点突显出来。其可以通过计算梯度幅度值来确定。

检测：经过增强的图像，领域很多点的梯度值会比较大，而这些点又不是想要的点。常用的检测方法是用阈值来排除这些点。

1.Canny算子

Canny的目标是找到一个最优的边缘检测算法。其评价标准为：

1.低错误率：标识出尽可能多的实际边缘，同时尽可能的减少噪声产生的误报。

2.高定位性：标识出的边缘要与图像中实际边缘尽可能的接近。

3.最小响应：图像边缘只能标识一次，并且可能存在的图像噪声不应标识为边缘。

Canny边缘检测的步骤为：

1.消除噪声，主要是使用高斯滤波。下图为一个5*5的高斯核的示例。

2.计算梯度幅值和方向。

(1)先用一对卷积分别作用于x和y方向。

(2)然后计算梯度幅值和方向(近似到几个可能的角度，如0,45,90,135)。

3.非极大值抑制。排除非边缘像素，仅仅保留一些细线条。

4.滞后阈值。滞后阈值需要一个高阈值和低阈值，若高于高阈值，则保留为边缘像素；若低于低阈值，则排除；若在高低之间，则仅仅保留连接到高于高阈值像素的像素。一般高低阈值比在2:1到3:1之间。

void Canny(InputArray image,
OutputArray edges, 
double threshold1, 
double threshold2, 
int apertureSize=3,
bool L2gradient=false ) 

参数1：输入图像。

参数2：输出图像。

参数3：第一个滞后阈值。

参数4：第二个滞后阈值。

参数5：sobel算子的孔径大小，默认值为3.

参数6：计算图像梯度幅值的标识，默认值false。

//载入原始图
Mat src = imread("1.jpg");
Canny(src, src, 3, 9,3 );
imshow("【效果图】Canny边缘检测", src); 

2.Sobel算子

Sobel算子是一个主要用作边缘检测的离散微分算子。结合了高斯平滑和微分求导，用来计算图像灰度的近似梯度。其计算过程类似Canny算子，只是没有求方向。

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

参数1：输入图像。

参数2：输出图像。

参数3：输出图像深度，支持如下组合：

• 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

参数4：x方向上的差分阶数。

参数5：y方向上的差分阶数。

参数6：核大小，必须取1,3,5,7。

参数7：计算导数时可选的缩放因子，默认值为1。

参数8：表示存入目标图之前可选的值，默认为0。

参数9：边界类型。

当内核大小为3时，Sobel内核很可能产生比较明显的误差，这时需要使用Scharr函数，只能作用大小为3的内核，其内核如下：

int main( )  
{  
    //【0】创建 grad_x 和 grad_y 矩阵  
    Mat grad_x, grad_y;  
    Mat abs_grad_x, abs_grad_y,dst;  
  
    //【1】载入原始图    
    Mat src = imread("1.jpg"); 
  
    //【2】显示原始图   
    imshow("【原始图】sobel边缘检测", src);   
  
    //【3】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);   
  
    //【4】求Y方向梯度  
    Sobel( src, grad_y, CV_16S, 0, 1, 3, 1, 1, BORDER_DEFAULT );  
    convertScaleAbs( grad_y, abs_grad_y );  
    imshow("【效果图】Y方向Sobel", abs_grad_y);   
  
    //【5】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;   
}

3.Laplace算子

Laplace算子是n维欧几里德空间中的一个二阶微分算子，定义为梯度(grad)的散度(div)。由于使用了图像梯度，所以内部的代码调用了Sobel。若让原图减去Laplace可以增强对比度，其定义为：

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

参数1：输入图像。

参数2：输出图像。

参数3：图像深度。

参数4：核大小，大小为正奇数，默认值为1。

参数5：计算可选缩放因子，默认值为1。

参数6：delta，默认为0。

参数7：边界类型。

int main( )  
{  
    //【0】变量的定义  
    Mat src,src_gray,dst, abs_dst;  
  
    //【1】载入原始图    
    src = imread("1.jpg");
  
    //【2】显示原始图   
    imshow("【原始图】图像Laplace变换", src);   
  
    //【3】使用高斯滤波消除噪声  
    GaussianBlur( src, src, Size(3,3), 0, 0, BORDER_DEFAULT );  
  
    //【4】转换为灰度图  
    cvtColor( src, src_gray, CV_RGB2GRAY );  
  
    //【5】使用Laplace函数  
    Laplacian( src_gray, dst, CV_16S, 3, 1, 0, BORDER_DEFAULT );  
  
    //【6】计算绝对值，并将结果转换成8位  
    convertScaleAbs( dst, abs_dst );  
  
    //【7】显示效果图  
    imshow( "【效果图】图像Laplace变换", abs_dst );  
  
    waitKey(0);   
  
    return 0;   
}  

4.Scharr滤波器

void Scharr(  
InputArray src, 
OutputArray dst,
int ddepth,
int dx,  
int dy,  
double scale=1, 
double delta=0, 
intborderType=BORDER_DEFAULT )

参数1：输入图像。

参数2：输出图像。

参数3：图像深度。

参数4：x方向的差分阶数。

参数5：y方向的差分阶数。

参数6：缩放因子。

参数7：delta。

参数8：边界类型。

int main( )  
{  
    //【0】创建 grad_x 和 grad_y 矩阵  
    Mat grad_x, grad_y;  
    Mat abs_grad_x, abs_grad_y,dst;  
  
    //【1】载入原始图    
    Mat src = imread("1.jpg");
  
    //【2】显示原始图   
    imshow("【原始图】Scharr滤波器", src);   
  
    //【3】求 X方向梯度  
    Scharr( src, grad_x, CV_16S, 1, 0, 1, 0, BORDER_DEFAULT );  
    convertScaleAbs( grad_x, abs_grad_x );  
    imshow("【效果图】 X方向Scharr", abs_grad_x);   
  
    //【4】求Y方向梯度  
    Scharr( src, grad_y, CV_16S, 0, 1, 1, 0, BORDER_DEFAULT );  
    convertScaleAbs( grad_y, abs_grad_y );  
    imshow("【效果图】Y方向Scharr", abs_grad_y);   
  
    //【5】合并梯度(近似)  
    addWeighted( abs_grad_x, 0.5, abs_grad_y, 0.5, 0, dst );  
  
    //【6】显示效果图  
    imshow("【效果图】合并梯度后Scharr", dst);   
  
    waitKey(0);   
    return 0;   
} 

特别说明：本文为本人学习opencv所做笔记。具体参照：http://blog.csdn.net/column/details/opencv-tutorial.html