canny边缘检测_opencv图像边缘检测

很多人在学习图像处理的时候，都会接触到边缘检测算法。但是，大部分人可能都只是会调用算法，而不知道算法的原理，也不知道边界检测之后应该怎么办。不知道怎么应用边缘检测的结果，感觉不知所措，只是肉眼可见检测的结果，而不知道下一步应该怎么处理。边缘检测只是图像处理的中间步骤，其实我们进行图像处理的目的是要提取出想要的特征，然后将特征表达出来。比如，提取图像的轮廓特征，矩特征等基本特征，还有一些高级特征也可以通过边缘检测实现。又如，可以将边缘检测的结果作为特征点，然后利用这些特征点实现匹配、定位、识别、分类等操作。

图像边缘检测的目的是目标对象与背景，为下一步的处理做准备，比如,可以利用边缘检测的结果对图像进行分割；可以利用边缘检测的结果提取图像的特征；可以用边缘检测的结果对特定区域进行定位等等。常用的边缘检测方法有很多，如sobel算子、Roberts算子、Prewitt算子、Laplacian算子、Canny算子、Scharr算子、高斯拉普拉斯算子(LOG，Laplacian of Gaussian)、高斯差分算子（DOG）等。不管哪种算子，其中最终的原理都差不多，就是利用图像的梯度信息。

图像的梯度定义的是图像的变化幅值和方向。这个概念在图像处理中非常重要，大部分的图像处理都离不开图像梯度的概念。要说清楚图像的梯度，先要了解图像的微分和差分计算方法。按照高等数学上学的求导与微分的计算方法，图像是二维离散函数，计算方法也是一样的。设图像为f(x,y),

一阶微分的计算公式非常简单：

离散化之后就是图像的差分计算方程：

其中，梯度方向就是 ：

梯度幅值就是 ：

上面的公式看起来好像有点复杂，其实对于图像而言，就是对应的位置像素值的加减运算。如果在说简单一点，这些也可以弄成一个模板，然后与图像进行卷积运算。比如，Roberts算子计算如下：

其实Roberts算子也就是计算了2x2区域的对角线像素值之差。

sobel算子计算如下：

sobel算子的计算模板如下：

其他的边界检测算子类似，Laplacian算子是计算的二阶差分，LOG算子是先对图像进行高斯滤波，然后在利用拉普拉斯算子根据二阶导数的过零点来检测图像的边界。DOG算子就是高斯差分，其边界检测结果和LOG差不多，只不过计算比LOG快一些。Canny算子是比较有名的边缘检测算子，这个算子先用高斯滤波器对图像进行滤波，去除图像噪声；然后得到图像的梯度强度和方向；再对梯度进行“非极大抑制”，并且对抑制结果取两次阈值，Th1和Th2，一般Th1=0.4Th2 ；最后链接边缘得到检测结果。

在opencv里面实现了部分边缘检测函数，下面以具体的代码看一下这些边界检测函数怎么实现的，具体的效果在这里不讨论，因为针对不同的图像需要调整不同的参数，才能够达到理想的效果，这里只是学会如何使用这些函数。

#include "iostream"
#include "opencv2opencv.hpp"
 
 
using namespace std;
using namespace cv;
 
int main(int argc, char ** argv)
{
 Mat src = imread("e:img1.ppm", 1);
 namedWindow("原图", 0);
 imshow("原图", src);
 Mat srcGray;
 cvtColor(src, srcGray, COLOR_BGR2GRAY);
 namedWindow("原图转成灰度图", 0);
 imshow("原图转成灰度图", srcGray);
 Mat cannyResult;
 Canny(srcGray, cannyResult, 50, 120);
 namedWindow("canny边界", 0);
 imshow("canny边界", cannyResult);
 
 Mat grad_x, grad_y;
 Mat abs_grad_x, abs_grad_y, sobelDst;
 
 
 //求 X方向梯度 
 Sobel(srcGray, grad_x, CV_16S, 1, 0, 3, 1, 1, BORDER_DEFAULT);
 convertScaleAbs(grad_x, abs_grad_x);
 namedWindow("X方向Sobel", 0);
 imshow("X方向Sobel", abs_grad_x);
 
 //求Y方向梯度 
 Sobel(srcGray, grad_y, CV_16S, 0, 1, 3, 1, 1, BORDER_DEFAULT);
 convertScaleAbs(grad_y, abs_grad_y);
 namedWindow("Y方向Sobel", 0);
 imshow("Y方向Sobel", abs_grad_y);
 
 //合并梯度(近似) 
 addWeighted(abs_grad_x, 0.5, abs_grad_y, 0.5, 0, sobelDst);
 namedWindow("整体方向Sobel", 0);
 imshow("整体方向Sobel", sobelDst);
 
 Mat gaussBlur;
 GaussianBlur(src, gaussBlur, cv::Size(3, 3),0, 0, cv::BORDER_DEFAULT);
 Mat LOGDst;
 // 拉普拉斯变换 
 Laplacian(src, LOGDst, CV_16S, 3);
 convertScaleAbs(LOGDst, LOGDst);
 namedWindow("LOG", 0);
 cv::imshow("LOG", LOGDst);
 
 Mat dst;
 GaussianBlur(src, dst, Size(3, 3), 0);
 Mat img_DoG = src - dst;
 normalize(img_DoG, img_DoG, 255, 0, NORM_MINMAX);
 namedWindow("DoG", 0);
 cv::imshow("DoG", img_DoG);
 waitKey(0);
 return 0;
}

图1 边缘检测效果

边缘检测有很多用途，这里只是展示了怎么使用这些函数。学会调用这些函数，知道每个函数的检测原理对以后的特征检测是非常有用的。这里实现了部分函数，其他的检测方式有兴趣的可以自己去试一试。