14---OpenCV:图像检测之边缘检测

一、图像边缘

边缘(edge)是指图像局部强度变化最显著的部分。主要存在于目标与目标、目标与背景、区域与区域(包括不同色彩)之间，是图像分割、纹理特征和形状特征等图像分析的重要基础。图像强度的显著变化可分为：

• 阶跃变化函数，即图像强度在不连续处的两边的像素灰度值有着显著的差异

• 线条（屋顶）变化函数，即图像强度突然从一个值变化到另一个值，保持一较小行程后又回到原来的值

图像的边缘有方向和幅度两个属性,沿边缘方向像素变化平缓,垂直于边缘方向像素变化剧烈.边缘上的这种变化可以用微分算子检测出来,通常用一阶或二阶导数来检测边缘。

 ab分别是阶跃函数和屋顶函数的三维图像

cd是阶跃和屋顶函数的函数二维图像

ef对应一阶导数

gh是二阶导数

1.Sobel算子(索伯)

        Sobel算子是一种常用的边缘检测算子，是一阶的梯度算法。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。当对精度要求不是很高时，是一种较为常用的边缘检测方法。

计算过程

API介绍

void Sobel( InputArray src, OutputArray dst, int ddepth,int dx, int dy, int ksize = 3,double scale = 1, double delta = 0,int borderType = BORDER_DEFAULT );
/*******************************************************************
*			src: 			输入图				
*			dst:	        输出图
*			ddepth:			输出图深度 CV_16S/CV_32F/CV_64F等
*			dx:				x方向上的差分阶数
*			dy:		    	y方向上的差分阶数
*			ksize:  		卷积核大小,一般5*5或3*3
*			scale:			计算导数值时可选的缩放因子
*			delta:			默认为0
*			borderType:		边缘处理模式	
*********************************************************************/

2.LapLace 算子(拉普拉斯)

拉普拉斯对噪声敏感，会产生双边效果。不能检测出边的方向。通常不直接用于边的检测，只起辅助的角色，检测一个像素是在边的亮的一边还是暗的一边利用零跨越，确定边的位置.

计算过程

API介绍

void Laplacian( InputArray src, OutputArray dst, int ddepth,int ksize = 1, double scale = 1, double delta = 0,int borderType = BORDER_DEFAULT );
/*******************************************************************
*           src:            输入图             
*           dst:            输出图
*           ddepth:         输出图深度 CV_16S/CV_32F/CV_64F等
*           ksize:          核大小，必须是正奇数，默认值是1
*           scale:          计算导数值时可选的缩放因子
*           delta:          可选值,默认为0
*           borderType:     边缘处理模式  
*********************************************************************/

3.Canny算子(坎尼)

计算过程

• 用高斯滤波器平滑图像

• 用一阶偏导的有限差分计算梯度的幅值核方向

  

• 对梯度幅值进行非极大值抑制

  • 超过255 用255表示

  • 低于0 用绝对值表示

• 用双阈值算法检测和连接边缘

API介绍

void Canny( InputArray image, OutputArray edges,double threshold1, double threshold2,int apertureSize = 3, bool L2gradient = false );
/*******************************************************************
*           src:            输入图             
*           edges:          输出图
*           threshold1:     第一个阈值
*           threshold2:     第二个阈值
*           apertureSize:   内核大小
*           L2gradient:     计算图像梯度幅值方法的标志
*********************************************************************/

4.综合代码

注意:

        ①相关函数说明

convertScaleAbs(result["y"], result["y"]);  //图像增强函数
addWeighted(result["x"], 0.5, result["y"], 0.5, 0, result["xy"]);
//将两个图像按一定权值融合在一起

        ②sobel算子和拉普拉斯算子处理完后效果并不会太好,需要调用图像增强函数。

#include <iostream>
#include <string>
#include <map>
#include <opencv2/opencv.hpp>
using namespace std;
using namespace cv;
class Edge 
{
public:
    Edge() :img(imread("test.jpg")) 
    {
        result["img"] = img;
    }
    void TestSobel() 
    {
        Sobel(img, result["x"], CV_16S, 1, 0);
        //图像增强
        //α*src+β
        convertScaleAbs(result["x"], result["x"]);
        Sobel(img, result["y"], CV_16S, 0, 1);
        convertScaleAbs(result["y"], result["y"]);
        addWeighted(result["x"], 0.5, result["y"], 0.5, 0, result["xy"]);
        Sobel(img, result["sobel"], CV_16S, 1, 1);
        convertScaleAbs(result["sobel"], result["sobel"]);
    }
    void TestLapLacian() 
    {
        Laplacian(img, result["LapLacian"], CV_16S);
        convertScaleAbs(result["LapLacian"], result["LapLacian"]);
    }
    void TestCanny() 
    {
        //高阈值
        Canny(img, result["Canny"], 100, 200);
        //灰度后的高阈值和低阈值
        cvtColor(img, result["Gray"], COLOR_BGR2GRAY);
        Canny(result["Gray"], result["Max"], 100, 200);
        Canny(result["Gray"], result["Min"], 20, 40);
        //高斯模糊后做双阈值
        GaussianBlur(result["Gray"], result["Gauss"], Size(3, 3), 5);
        Canny(result["Gauss"], result["OK"], 100, 200);
    }
​
    void Show() 
    {
        for (auto& v : result) 
        {
            imshow(v.first, v.second);
        }
        waitKey(0);
    }
protected:
    Mat img;
    map<string, Mat> result;
};
​
int main() 
{
    unique_ptr<Edge> p(new Edge);
    p->TestSobel();
    p->TestLapLacian();
    p->TestCanny();
    p->Show();
​
    return 0;
}

显然最佳的方法是用二值化的灰度图像，然后高斯滤波处理，再去用canny检测算法(两个阈值的选定很重要---->要多试试)(得到的OK图像如下,边缘的线条很细,且取出了原本canny算法算出来的很多的噪声)