opencv学习-常用算子

在图像中，边界位置才会有梯度，opencv中的常见算子有：

1、Sobel算子

可以有效的提取图像边缘，但是对图像中较弱的边缘提取效果较差

int main()
{
	cv::Mat img = cv::imread("C:\\Users\\Administrator\\Downloads\\1.jpeg", IMREAD_GRAYSCALE);

	cv::imshow("img", img);

	cv::Mat img_sobel;
	cv::Sobel(img, img_sobel, CV_64F, 1, 0, 3);
	cv::Mat img_sobelx;
	cv::convertScaleAbs(img_sobel, img_sobelx);

	cv::imshow("soblex", img_sobelx);

	cv::Sobel(img, img_sobel, CV_64F, 0, 1, 3);
	cv::Mat img_sobely;
	cv::convertScaleAbs(img_sobel, img_sobely);

	cv::imshow("sobley", img_sobely);

	cv::Mat img_sobelxy;
	cv::addWeighted(img_sobelx, 0.5, img_sobely, 0.5, 0, img_sobelxy);
	cv::imshow("soblexy", img_sobelxy);

	cv::waitKey(0);

	return 0;
}

2、scharr算子

Scharr算子是对Sobel算子差异性的增强，是通过将滤波器中的权重系数放大来增大像素值间的差异，能有效的提取出较弱的边缘，但两者在检测图像边缘的原理和使用方式上相同

int main()
{
	cv::Mat img = cv::imread("C:\\Users\\Administrator\\Downloads\\1.jpeg", IMREAD_GRAYSCALE);

	cv::imshow("img", img);

	cv::Mat img_sobel;
	//cv::Sobel(img, img_sobel, CV_64F, 1, 0, 3);
	cv::Scharr(img, img_sobel, CV_64F, 1, 0, 3);
	cv::Mat img_sobelx;
	cv::convertScaleAbs(img_sobel, img_sobelx);

	cv::imshow("soblex", img_sobelx);

	//cv::Sobel(img, img_sobel, CV_64F, 0, 1, 3);
	cv::Scharr(img, img_sobel, CV_64F, 0, 1, 3);
	cv::Mat img_sobely;
	cv::convertScaleAbs(img_sobel, img_sobely);

	cv::imshow("sobley", img_sobely);

	cv::Mat img_sobelxy;
	cv::addWeighted(img_sobelx, 0.5, img_sobely, 0.5, 0, img_sobelxy);
	cv::imshow("soblexy", img_sobelxy);

	cv::waitKey(0);

	return 0;
}

3、Laplacian算子

1）Laplacian算子具有各方向同性的特点，能够对任意方向的边缘进行提取，具有无方向性的优点，因此使用Laplacian算子提取边缘不需要分别检测X方向的边缘和Y方向的边缘，只需要一次边缘检测即可。
2）Laplacian算子是一种二阶导数算子，对噪声比较敏感，所以需要配合配合高斯滤波一起使用

int main()
{
	cv::Mat img = cv::imread("C:\\Users\\Administrator\\Downloads\\1.jpeg", IMREAD_GRAYSCALE);

	cv::imshow("img", img);
	
	cv::Mat img_laplacian;
	cv::Laplacian(img, img_laplacian, CV_64F, 3);
	cv::convertScaleAbs(img_laplacian, img_laplacian);
	cv::imshow("laplacian", img_laplacian);

	cv::waitKey(0);

	return 0;
}

Canny边缘检测

Canny边缘检测算法 是 John F. Canny 于1986年开发出来的一个多级边缘检测算法，也被很多人认为是边缘检测的最优算法，最优边缘检测的三个主要评价标准是：

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的实际边缘尽可能接近。

3、最小响应： 图像中的边缘只能标识一次。

Canny边缘检测的一般步骤：

去噪：边缘检测容易受到噪声影响，在进行边缘检测前通常需要先进行去噪，一般用高斯滤波去除噪声。
计算梯度：对平滑后的图像采用Sobel算子计算梯度和方向。

计算出来的梯度和方向大概如下图：

非极大值抑制(NMS)
在获取了梯度和方向之后，遍历图像，去除所有不是边界的点。
实现方法：逐个遍历像素点，判断当前像素点是否是周围像素点中具有相同方向梯度的最大值。
下图中，点A，B，C具有相同的方向，梯度方向垂直于边缘。
判断点A是否为A，B，C中的局部最大值，如果是，保留该点；否则，它被抑制（归零）。

更形象例子：

滞后阈值

int main()
{
	cv::Mat img = cv::imread("C:\\Users\\Administrator\\Downloads\\26.jpg", IMREAD_GRAYSCALE);

	cv::imshow("img", img);
	cv::Mat edge;

	cv::Canny(img, edge, 100, 200);
	cv::imshow("edge1", edge);

	cv::Canny(img, edge, 64, 128);
	cv::imshow("edge2", edge);
	
	cv::Canny(img, edge, 80, 150);
	cv::imshow("edge3", edge);

	cv::waitKey(0);

	return 0;
}

参考原文链接：
https://blog.csdn.net/onroadliuyaqiong/article/details/121929934
https://blog.csdn.net/qq_44808827/article/details/121214287