图像处理之边缘检测（C++）

最新推荐文章于 2024-06-05 15:16:22 发布
最新推荐文章于 2024-06-05 15:16:22 发布
阅读量1.3k 收藏 17
点赞数 23
分类专栏： 图像处理（C++/opencv） 文章标签： 图像处理 c++ 计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_45045175/article/details/139005776
版权

图像处理之边缘检测（C++）

文章目录

前言

边缘检测是图像处理的基础，边缘检测主要是为了找到图像中亮度变化剧烈的像素点构成的集合，即图像的轮廓（边缘）。
传统边缘检测的主要有Roberts、Sobel、Prewitt、Laplacian、LOG、DOG等方法，本文介绍上述的边缘检测算子的实现。
原图：
原图

一、Roberts算子

1.原理

Roberts算子是一种斜向偏差分的梯度计算方法，采用对角方向相邻的两像素值之差，梯度的大小代表边缘的强度，梯度的方向与边缘的走向垂直。它是2X2算子模板。2个卷积核形成了Roberts算子。图像中的每一个点都用这2个核做卷积。
卷积核形式如下：
卷积核形式
计算公式如下：
计算梯度
计算梯度值
备注：采用绝对值相加减少计算量。

2.代码实现

#include <opencv.hpp>
#include <iostream>

/*
* @param const cv::Mat& src		输入图像
* @param cv::Mat& dst			输出图像
*/
void roberts(const cv::Mat& src, cv::Mat& dst)
{
	// 创建卷积核
	cv::Mat kernel_x = (cv::Mat_<float>(2, 2) << 1, 0, 0, -1);
	cv::Mat kernel_y = (cv::Mat_<float>(2, 2) << 0, 1, -1, 0);

	// 卷积计算
	// 卷积核翻转
	cv::flip(kernel_x, kernel_x, -1);
	cv::flip(kernel_y, kernel_y, -1);

	// 相关性计算
	cv::Mat dst_x, dst_y;
	cv::filter2D(src, dst_x, kernel_x.depth(), kernel_x);
	cv::filter2D(src, dst_y, kernel_y.depth(), kernel_y);

	// 绝对值转换
	cv::convertScaleAbs(dst_x, dst_x);
	cv::convertScaleAbs(dst_y, dst_y);

	// 计算梯度
	dst = dst_x + dst_y;
	cv::normalize(dst, dst, 0, 255, cv::NORM_MINMAX,CV_8UC1);
}


int main()
{
	// 读取图片
	std::string filepath = "F://work_study//algorithm_demo//regionGrow_test.jpg";
	cv::Mat src = cv::imread(filepath, cv::IMREAD_GRAYSCALE);
	if (src.empty())
	{
		return -1;
	}

	cv::Mat dst;
	roberts(src, dst);

	// 保存图片
	cv::imwrite("dst.jpg", dst);

	system("pause");
	return 0;
}

在这里插入图片描述

二、Sobel算子

1.原理

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。它结合高斯平滑和微分求导，用来计算图像灰度函数的近似梯度（读者可以尝试分离卷积核，即可看出卷积核是由一个求解水平梯度或者垂直梯度的卷积核和非归一化的高斯平滑相乘得到）。在图像的任何一点使用此算子，将会产生对应的梯度矢量或是其法矢量。它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。

卷积核形式：
卷积核
计算公式如下：
卷积
幅值
在这里插入图片描述

2.代码实现

/*
* @param const cv::Mat& src		输入图像
* @param cv::Mat& dst			输出图像
* @brief sobel算子实现
*/
void sobel(const cv::Mat& src, cv::Mat& dst) {
	// 创建卷积核
	cv::Mat kernel_x = (cv::Mat_<float>(3,3) << -1, 0, 1, -2, 0, 2, -1, 0, 1);
	cv::Mat kernel_y = (cv::Mat_<float>(3, 3) << 1, 2, 1, 0, 0, 0, -1, -2, -1);

	// 卷积运算
	// 翻转卷积核
	cv::flip(kernel_x, kernel_x, -1);
	cv::flip(kernel_y, kernel_y, -1);

	// 相关性计算
	cv::Mat dst_x, dst_y;
	cv::filter2D(src, dst_x, kernel_x.depth(), kernel_x);
	cv::filter2D(src, dst_y, kernel_y.depth(), kernel_y);

	cv::convertScaleAbs(dst_x, dst_x);
	cv::convertScaleAbs(dst_y, dst_y);

	cv::normalize(dst_x + dst_y, dst, 0, 255, cv::NORM_MINMAX, CV_8U);
}


int main()
{
	// 读取图片
	std::string filepath = "F://work_study//algorithm_demo//regionGrow_test.jpg";
	cv::Mat src = cv::imread(filepath, cv::IMREAD_GRAYSCALE);
	if (src.empty())
	{
		return -1;
	}

	cv::Mat dst;
	sobel(src, dst);

	// 保存图片
	cv::imwrite("dst.jpg", dst);

	system("pause");
	return 0;
}

结果

三、Prewitt算子

1.原理

Prewitt算子的计算步骤如sobel算子，将方向的差分运算和局部平均相结合的方法(通过分离卷积核即可得出结论，不多赘述)，也是取水平和垂直两个卷积核来分别对图像中各个像素点做卷积运算，所不同的是，Sobel 算子是先做加权平均然后再微分，Prewitt 算子是先平均后求微分。由于采用了局部灰度平均，容易检测出伪边缘，且边缘定位精度较低。
卷积核形式：
在这里插入图片描述
计算公式：
幅值

2.代码实现

/*
* @param const cv::Mat& src		输入图像
* @param cv::Mat& dst			输出图像
* @brief prewitt算子实现
*/
void prewitt(const cv::Mat& src, cv::Mat& dst) {
	// 创建卷积核
	cv::Mat kernel_x = (cv::Mat_<float>(3, 3) << -1, 0, 1, -1, 0, 1, -1, 0, 1);
	cv::Mat kernel_y = (cv::Mat_<float>(3, 3) << 1, 1, 1, 0, 0, 0, -1, -1, -1);

	// 卷积运算
	// 翻转卷积核
	cv::flip(kernel_x, kernel_x, -1);
	cv::flip(kernel_y, kernel_y, -1);

	// 相关性计算
	cv::Mat dst_x, dst_y;
	cv::filter2D(src, dst_x, kernel_x.depth(), kernel_x);
	cv::filter2D(src, dst_y, kernel_y.depth(), kernel_y);

	cv::convertScaleAbs(dst_x, dst_x);
	cv::convertScaleAbs(dst_y, dst_y);

	cv::normalize(dst_x + dst_y, dst, 0, 255, cv::NORM_MINMAX, CV_8U);
}




int main()
{
	// 读取图片
	std::string filepath = "F://work_study//algorithm_demo//regionGrow_test.jpg";
	cv::Mat src = cv::imread(filepath, cv::IMREAD_GRAYSCALE);
	if (src.empty())
	{
		return -1;
	}

	cv::Mat dst;
	prewitt(src, dst);

	// 保存图片
	cv::imwrite("prewitt_dst.jpg", dst);

	system("pause");
	return 0;
}

prewitt

四、Laplacian算子

1.原理

它不依赖于边缘方向的二阶微分算子，对图像中的阶跃型边缘点定位准确，该算子对噪声非常敏感，它使噪声成分得到加强，这两个特性使得该算子容易丢失一部分边缘的方向信息，造成一些不连续的检测边缘，同时抗噪声能力比较差，由于其算法可能会出现双像素边界，常用来判断边缘像素位于图像的明区或暗区。

卷积核

2.代码实现

/*
* @param const cv::Mat& src		输入图像
* @param cv::Mat& dst			输出图像
* @brief prewitt算子实现
*/
void laplacian(const cv::Mat& src, cv::Mat& dst) {
	// 创建卷积核
	//cv::Mat kernel = (cv::Mat_<float>(3, 3) << 0, 1, 0, 1, -4, 1, 0, 1, 0);
	cv::Mat kernel = (cv::Mat_<float>(3, 3) << 1, 1, 1, 1, -8, 1, 1, 1, 1);

	// 卷积运算
	// 翻转卷积核
	cv::flip(kernel, kernel, -1);
	// 相关性计算
	cv::filter2D(src, dst, kernel.depth(), kernel);
	cv::convertScaleAbs(dst, dst);
	cv::normalize(dst, dst, 0, 255, cv::NORM_MINMAX, CV_8U);
}

int main()
{
	// 读取图片
	std::string filepath = "F://work_study//algorithm_demo//regionGrow_test.jpg";
	cv::Mat src = cv::imread(filepath, cv::IMREAD_GRAYSCALE);
	if (src.empty())
	{
		return -1;
	}

	cv::Mat dst;
	laplacian(src, dst);

	// 保存图片
	cv::imwrite("laplacian.jpg", dst);

	system("pause");
	return 0;
}

result

五、LOG算子

1.原理

高斯拉普拉斯算子Lapacian of gaussian先对图像进行高斯平滑滤波处理，然后再与Laplacian算子进行卷积。其处理过程：灰度-高斯-拉普拉斯-负值为0。
LOG

2.代码实现

/*
* @param const cv::Mat& src		输入图像
* @param cv::Mat& dst			输出图像
* @brief LOG算子实现
*/
void LOG(const cv::Mat& src, cv::Mat& dst) {
	// 创建卷积核
	cv::Mat kernel = (cv::Mat_<float>(5, 5) << 0, 0, -1, 0, 0,
											   0, -1, -2, -1, 0,
											   -1, -2, 16, -2, -1,
		                                       0, -1, -2, -1, 0,
											   0, 0, -1, 0, 0);
	// 卷积运算(卷积核对称无需翻转)
	cv::filter2D(src, dst, kernel.depth(), kernel);
	cv::threshold(dst, dst, 0, 255, cv::THRESH_BINARY);
	dst.convertTo(dst, CV_8U);
}

/*
* @param const cv::Mat& src		输入图像
* @param cv::Mat& dst			输出图像
* @brief LOG算子实现
*/
void LOG1(const cv::Mat& src, cv::Mat& dst) {
	// 高斯滤波
	cv::GaussianBlur(src, dst, cv::Size(5, 5),0.5);
	// laplacian
	laplacian(dst, dst);
	cv::threshold(dst, dst, 0, 255, cv::THRESH_BINARY);
	dst.convertTo(dst, CV_8U);
}

int main()
{
	// 读取图片
	std::string filepath = "F://work_study//algorithm_demo//regionGrow_test.jpg";
	cv::Mat src = cv::imread(filepath, cv::IMREAD_GRAYSCALE);
	if (src.empty())
	{
		return -1;
	}

	cv::Mat dst;
	LOG(src, dst);

	// 保存图片
	cv::imwrite("LOG.jpg", dst);

	system("pause");
	return 0;
}

LOG

六、DOG算子

1.原理

Difference of Gaussian(DOG)是高斯函数的差分。它是可以通过将图像与高斯函数进行卷积得到一幅图像的低通滤波结果，它对高斯拉普拉斯LoG的近似，在某一尺度上的特征检测可以通过对两个相邻高斯尺度空间的图像相减，得到DoG的响应值图像。
公式证明：
证明
计算步骤：
使用两个不同标准差的高斯核平滑图像，然后结果相减，负值为0，获得边缘检测结果。

2.代码实现

*
* @param const cv::Mat& src		输入图像
* @param cv::Mat& dst			输出图像
* @brief DOG算子实现
*/
void DOG(const cv::Mat& src, cv::Mat& dst,double sigma,int k) {
	cv::Mat dst_x, dst_y;
	cv::GaussianBlur(src, dst_x, cv::Size(3, 3), sigma);
	cv::GaussianBlur(src, dst_y, cv::Size(3, 3), k*sigma);
	dst = dst_x - dst_y;
	cv::threshold(dst, dst, 0, 255, cv::THRESH_BINARY);
	dst.convertTo(dst, CV_8U);
}


int main()
{
	// 读取图片
	std::string filepath = "F://work_study//algorithm_demo//regionGrow_test.jpg";
	cv::Mat src = cv::imread(filepath, cv::IMREAD_GRAYSCALE);
	if (src.empty())
	{
		return -1;
	}

	cv::Mat dst;
	DOG(src, dst,1,2);

	// 保存图片
	cv::imwrite("DOG.jpg", dst);

	system("pause");
	return 0;
}

DOG

总结

本文介绍了图像处理中的边缘检测算法，包括了Roberts、Sobel、Prewitt、laplacian、DOG、LOG等算子的C++实现和原理介绍，欢迎大家指出问题和交流讨论。

参考资料：
高斯滤波(Gauss filtering)
图像处理 | 最常用的边缘检测详解与代码(Robert, Sober, Prewitt, Canny, Kirsch, Laplacian, LOG, DOG算子)
LOG算子实现

小杜同学_
关注
  • 23
    点赞
  • 踩
  • 17
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
C++sobel边缘检测源代码
02-13
一个基于C++的sobel边缘检测源代码图像处理程序，供大家参考。
Canny边缘检测c++代码
08-18
Canny边缘检测c++代码！！！
C++实现图像处理Canny边缘检测设计
06-25
C++实现图像处理Canny边缘检测设计
C++实现图像处理Prewitt边缘检测
06-25
C++实现图像处理Prewitt边缘检测
C++实现图像处理Roberts边缘检测代码
06-25
C++实现图像处理Roberts边缘检测代码
图像处理之Canny边缘检测（C++）
qq_45045175的博客
04-18 771
本文主要介绍了手动实现的Canny边缘检测和OpenCV实现的Canny边缘调用并且对比，欢迎大家阅读。
图像处理-Sobel边缘检测（C++实现，不依赖opencv）
风轻云淡的博客
12-19 3325
边缘检测一直是图像处理中比较热门的一块，今天简单实现了下sobel算法。先上图： 原图： Sobel处理---彩图： Sobel处理--灰度图： 可以看到在不复杂的情况下，Sobel能很好的检测到边缘。 Sobel算法的原理简单理解下：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。可以理解为在原图像的基础上只保留像素变化比较大的地方，也就形成了边缘。...
C/C++图像处理4 边缘检测
诺有缸的高飞鸟的博客
07-07 1828
使用梯度、Robert、sobel、laplace算子对图像进行边缘检测
C C++实现Canny 边缘检测 - 图像处理
村头
08-18 1453
C C++实现Canny 边缘检测 - 图像处理 Canny 边缘检测的实现步骤 1 灰度化 2 高斯滤波 3 Sobel 卷积核计算 X、Y 方向梯度和梯度角 4 极大值抑制 5 双阈值法 Canny 边缘检测的代码 ##########################ImgProcess.h########################## #include <opencv2/core/core.hpp> #include <opencv2/highgui/high
opencv-基于c++实现的opencv图像处理算法之roberts边缘检测.zip
05-15
opencv opencv_基于c++实现的opencv图像处理算法之roberts边缘检测
OpenCV数字图像处理基于C++：边缘检测
qq_43784519的博客
10-08 1005
简单介绍了边缘检测的经典算法，包括：差分边缘检测，Roberts算子，Sobel算子，Prewitt算子，Laplace拉普拉斯算子以及LoG算子。
Canny边缘检测算法解析
qq_29462849的博客
07-15 9197
前言 最近在做边缘检测方面的一些工作，在网络上也找了很多有用的资料，感谢那些积极分享知识的先辈们，自己在理解Canny边缘检测算法的过程中也走了一些弯路。就此写下此文，作为后记，也希望此篇文章可以帮助那些在理解Canny算法的道路上暂入迷途的童鞋。废话少说，上干货。 Canny边缘检测算法的发展历史 Canny边缘检测于1986年由JOHN CANNY首次在论文《A Computatio...
Capture One Pro 23：专业 Raw 图像处理的卓越之选
2401_82627223的博客
06-05 250
Capture One Pro 23 for Mac/Win 是一款不可多得的 Raw 图像处理软件。它是摄影师展现创意、提升作品质量的得力助手，也是图像爱好者探索艺术世界的有力工具。
【图像处理与机器视觉】图像处理概述与像素
weixin_46876169的博客
05-29 966
改善图像信息，便于作出解释方便对图像传输，储存，方便机器理解（1）模拟图像：连续二维函数 f（x，y）表示，其中 x，y 是平面坐标，f 代表图像在某点的某种性质的数值（2）数字图像：对模拟图像red：离散化的结果r 表示图形的行，c 表示图像的列，I 表示离散后的 f，可以用矩阵或者数组来描述数字图像像素：数字图像的元素在图中，对于像素有：（1）不是同一个点之间的距离必然大于0（2）A到B的距离等于B到A的距离（3）两边之和大于第三边。
C++访问越界
m0_73537205的博客
06-02 668
常见场景 访问数组元素越界 vector容器访问等 vector<int>;vec<2>； 字符串访问越界string str;str[2]; array数组访问越界 字符串处理，没有添加’\0’字符，导致访问字符串的时候越界了； 使用类型强转，让一个大类型（派生类）的指针指向一块小内存（基类对象）了，然后指针解引用，访问的内存就越界了! 总之本质就是访问超过了系统分配的内存！
c++ - 模板(二)
最新发布
2302_79539362的博客
06-05 902
TYPE是类型按道理来说没有问题，但是编译器在检查到这里是就会出现歧义，不知道TYPE是类型还是静态变量，所以就会报错。给模板初始值与给函数初始值类似，当需要给一部分缺省值时，参数缺省值必须从右向左给，中间不能留着参数不给缺省值。非类型形参，就是用一个常量作为类(函数)模板的一个参数，在类(函数)模板中可将该参数当成常量来使用。另一种解决方法就是直接写一个该类型的函数，这个函数会与模板函数构成重载，并且符合的话会被优先使用。在没有被实例化时，编译器只会对函数进行语法等检查，不会查看类内部细节，如上面的。
C语言:从键盘输入若干行字符（每行长度不等），输入后把它们存储到一磁盘文件中。再从该文件中读入这些数据，将其中小写字母转换成大写字母后在显示屏上输出。
2305_78057683的博客
05-29 216
C语言:从键盘输入若干行字符（每行长度不等），输入后把它们存储到一磁盘文件中。再从该文件中读入这些数据，将其中小写字母转换成大写字母后在显示屏上输出。
【C++ 初阶】内联函数 inline 与 宏定义的区别！
Hou_lang_LJ的博客
05-30 933
🐧① 内联函数的概念； 🐧② 宏的优缺点；🐧③ 内联函数和宏定义的区别；
c++实现图像锐化边缘检测拉普拉斯算子
09-08
在C语言中，可以使用以下代码实现图像的锐化边缘检测拉普拉斯算子： ``` #include <stdio.h> #include <stdlib.h> #include <opencv2/opencv.hpp> using namespace cv; int main() { Mat image = imread("image.jpg", 0); // 读取灰度图像 Mat sharpened; Laplacian(image, sharpened, CV_16S, 3); // 使用拉普拉斯算子进行边缘检测 convertScaleAbs(sharpened, sharpened); // 将结果转回8位图像 imshow("Original Image", image); imshow("Sharpened Image", sharpened); waitKey(0); return 0; } ``` 其中，`image.jpg`是待处理的图像文件名，`Laplacian`函数用于应用拉普拉斯算子进行边缘检测，`convertScaleAbs`函数用于将结果转回8位图像。该代码将显示原始图像和处理后的图像窗口。 注意，由于拉普拉斯算子是二阶微分，对噪点非常敏感，所以在进行锐化之前可以先使用高斯滤波来降噪。另外，可能会出现拉普拉斯噪声值比较大的情况，可以根据具体情况进行调整和处理。<span class="em">1</span><span class="em">2</span><span class="em">3</span>

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值