概述
理论知识
边缘确定是由相邻像素点变化巨大原理锁定的,sobel是求取一阶导数,一阶导数越大变化率越快,在一阶导最大时也就是一阶导数曲线最高点确定边缘。在二阶微分的时候,最大变化处的值为零(一阶导数处于曲线顶峰),即边缘是零值。通过二阶导数计算,依据此理论我们可以计算图像二阶导数,提取边缘
- 二阶导数求导忘记了
不用担心->拉普拉斯算子(Laplance operator) - opencv提供了相关API
cv::Laplacian
使用拉普拉斯算子的一般处理流程
- 高斯模糊-去噪点
Gausslur()
- 转换为灰度图像
cvtColor()
- 拉普拉斯-二阶导数计算
Laplancian()
- 取绝对值
convertScaleAbs()
- 显示结果
函数API
C++API
void Laplacian(InputArray src, OutputArray dst, int ddepth, int ksize=1, double scale=1, double delta=0, int borderType=BORDER_DEFAULT )
参数说明
- src: 原图像
- dst:目的图像
- ddepth:期望的图像深度
- ksize:高斯核大小
- scale:尺度
- delta:存储之前加在结果上的最优delta值,增强图像亮度
由于 Laplacian使用了图像梯度,它内部的代码其实是调用了 Sobel 算子的。
另附一个小tips:让一幅图像减去它的Laplacian可以增强对比度
参考链接:http://www.opencv.org.cn/opencvdoc/2.3.2/html/doc/tutorials/imgproc/imgtrans/laplace_operator/laplace_operator.html
代码
#include <iostream>
#include <fstream>
#include <opencv2/opencv.hpp>
#define Pic_Path "/home/image/Pictures/"
#define Pic_Name "model1.jpg"
using namespace std;
int main (void)
{
string pic = string(Pic_Path) + string(Pic_Name);
cout << pic << endl;
cv::Mat src;
src = cv::imread(pic.c_str());
cv::namedWindow("原始图片",cv::WINDOW_AUTOSIZE);
cv::imshow("原始图片",src);
//高斯模糊
cv::Mat dst;
cv::GaussianBlur(src,dst,cv::Size(3,3),0,0);
//转换为灰度图像
cv::Mat gray_src;
cv::cvtColor(dst,gray_src,CV_BGR2GRAY);
cv::namedWindow("gray pic",cv::WINDOW_AUTOSIZE);
cv::imshow("gray pic",gray_src);
//拉普拉斯变换
cv::Mat lap_dst;
cv::Laplacian(gray_src,lap_dst,CV_16S,3,1,0);
//图像转换为绝对值
cv::convertScaleAbs(lap_dst,lap_dst);
//图像显示有噪点 显示也不清晰 进行阈值处理 不知道阈值大小 这里选择的是THRESH_OTSU自动确定阈值 前面输入的阈值不起作用
//这一步可以增强显示
cv::threshold(lap_dst,lap_dst,0,255,cv::THRESH_BINARY | cv::THRESH_OTSU);
cv::namedWindow("laplance pic",cv::WINDOW_AUTOSIZE);
cv::imshow("laplance pic",lap_dst);
cv::waitKey(0);
cv::destroyAllWindows();
return 0;
}