【opencv】19.图像边缘检测算子数学原理、像素一二阶导数的意义

1.像素一二阶导数的意义

下面导数是数学中的定义
一阶导数定义：
$$\{\begin{array}{l}{f}^{\prime }(x)={\lim }_{\Delta x\to 0}\frac{f(x+\Delta x)-f(x)}{\Delta x}\\ \\ f^{\prime }(x)={\lim }_{\Delta x\to 0}\frac{f(x)-f(x-\Delta x)}{\Delta x}\end{array}$$
两者在数学上是等价的。
$$f^{\prime }(x)=\underset{\Delta x\to 0}{\lim }\frac{f(x+\Delta x)-f(x)}{\Delta x}=\underset{\Delta x\to 0}{\lim }\frac{f(x)-f(x-\Delta x)}{\Delta x}$$

---

二阶导数定义：
$$\{\begin{array}{l}{f}^{\prime \prime }(x)={\lim }_{\Delta x\to 0}\frac{f^{\prime }(x+\Delta x)-f^{\prime }(x)}{\Delta x}\\ \\ f^{\prime \prime }(x)={\lim }_{\Delta x\to 0}\frac{f^{\prime }(x)-f^{\prime }(x-\Delta x)}{\Delta x}\end{array}$$
在数字图像处理中，像素点是离散的，并且最小的间距为1，也就是相邻像素之间距离为1，所以$\Delta x$ 最趋近于0的取值是1，即 $\Delta x=1$,
因此有：
一阶导数：
$$\{\begin{array}{l}{f}^{\prime }(x)=f(x+1)-f(x)..........................................(1)\\ \\ f^{\prime }(x)=f(x)-f(x-1)..........................................(2)\end{array}$$
由(1)(2)得到：
$$f^{\prime }(x)=\frac{f(x+1)-f(x-1)}{2}\text{\hspace{1em}(3)}$$
二阶导数：
$$\{\begin{array}{l}{f}^{\prime \prime }(x)=f^{\prime }(x+1)-f^{\prime }(x)..........................................(4)\\ \\ f^{\prime \prime }(x)=f^{\prime }(x)-f^{\prime }(x-1)..........................................(5)\end{array}$$
由(4)(5)得到：
$f^{\prime \prime }(x)=\frac{f^{\prime }(x+1)-f^{\prime }(x-1)}{2}..........................................(6)$

由(1)，用$x-1$替换$x$可得：
$f^{\prime }(x-1)=f(x)-f(x-1)..........................................(7)$

由(2)，用$x+1$替换$x$可得：
$f^{\prime }(x+1)=f(x+1)-f(x)..........................................(8)$
把(7)(8)带入(6)得到：
$$\begin{array}{rl}{f}^{\prime \prime }(x)& =\frac{(f(x+1)-f(x))-(f(x)-f(x-1))}{2}\\ & =\frac{f(x+1)-2f(x)+f(x-1)}{2}\end{array}$$
即：
$$f^{\prime \prime }(x)=\frac{f(x+1)-2f(x)+f(x-1)}{2}\text{\hspace{1em}(9)}$$

由把(8)(2)带入(4)得到：
$$\begin{array}{rl}{f}^{\prime \prime }(x)& =f^{\prime }(x+1)-f^{\prime }(x)\\ & =(f(x+1)-f(x))-(f(x)-f(x-1))\\ & =f(x+1)+f(x-1)-2f(x)\end{array}$$
即：
$$f^{\prime \prime }(x)=f(x+1)+f(x-1)-2f(x)\text{\hspace{1em}(10)}$$
　　我们看到(9)和(10)都是二阶导，但是他们相差2倍的关系。我们的目的是找到边缘，边缘就是该像素位置的一阶导(方向导数)最大或者说梯度(因为方向导数模最大的方向就是梯度方向)，要使得一阶导最大(即取极值)，就要求二阶导等于0时，所以，这个系数并不影响。而二阶导为0，就是公式(10)等于0。
　　zhz:二阶导为0时，是极值，既可以极大值，也可以极小值，极小值就是像素值为0了。如果一张图的非细节部分的像素全为100的话，那么非细节部分像素的二阶导也为0；

---

拉普拉斯算子就是利用二阶导数来检测边缘：

假设有一个函数$f(t)$,他的函数显示如下(a), 一阶导是(b)，二阶导是 (c )

你会发现在一阶导数的极值位置，二阶导数为0。所以我们也可以用这个特点来作为检测图像边缘的方法。 但是， 二阶导数的0值不仅仅出现在边缘(它们也可能出现在无意义的平滑区位置),但是我们可以过滤掉这些点。拉普拉斯算子就是利用二阶导数来检测边缘.

关于拉普拉斯算子更细节的介绍请参考:差分近似图像导数算子之Laplace算子

---

2.边缘检测

2.1 Sobel算子

Sobel算子的数字中间那一行或者那一列比其他的行或列大，可能是因为最靠近中心点像素吧。
以sobel算子为例，本来中间那一行应该是0.5 0 0.5，但是却定为-2 0 2，是因为乘以一个系数(这里乘了4)并不影响，因为图像的每一个像素都是相同的处理，所以并不影响。

2.2 Laplacian算子

可以看到，拉普拉斯算子需要用到中心点的像素值，而sobel算子只用一阶导，可以不用中心点的像素值，公式(3)，只需要中心像素点的(x或y方向)前一个像素与后一个像素的差值即可。
拉普拉斯是二阶导，这里需要使用$f^{\prime \prime }(x)$包含中心点像素$f(x)$的公式,即公式(10)。

由于图像是二维的，所以在y方向上还需要使用二阶导：
$$f^{\prime \prime }(y)=f(y+1)+f(y-1)-2f(y)$$
所以卷积核中心综合x、y方向，就变成了$-2-2=-4$.

上面这个算子指检测水平和竖直边缘。

上面这个卷积核指检测水平和竖直边缘，还检测斜对角边缘。

2.3 Canny边缘检测

3.边缘检测算子计算后，像素值<0 与 >255的问题:

由于像素值范围在[0-255],是unsigned char,而卷积核(算子)的权重有正有负，所以卷积后计算出来的像素值有三种情况：

• 可能会小于0；
• 可能会大于255；
• 可能会是小数；

因此，在进行有正负权重的卷积计算之前，我们需要把像素值全都转化为signed int型，即16位有符号类型，计算完成后，在把结果由signed int型转化为unsigned char型。但是不能直接转，可能会把负数转为特别大的数。

• 如果数字>255,那么转化为255；
• 如果数字<0，那么转化为0；
• 如果数字为100.6,那么转化为100或者101，就是用std::round()或者std::ceil()或者std::floor()函数；

opecv中有具体的api可以调用,以拉普拉斯边缘检测算子为例：

//因为输入图像的深度是 CV_8U ，这里我们必须定义 ddepth = CV_16S 以避免外溢。
cv::Laplacian(src_img, dst_img, CV_16S, 3, 1, 0);
 
//绝对值处理
cv::convertScaleAbs(dst_img, laplaci);

目前没研究cv::convertTo()和cv::convertScaleAbs()有什么区别。