OpenCV学习笔记（十二）：边缘检测：Canny(),Sobel(),Laplace(),Scharr滤波器
OpenCV学习笔记（十二）：边缘检测：Canny(),Sobel(),Laplace(),Scharr滤波器
1）滤波：边缘检测的算法主要是基于图像强度的一阶和二阶导数，但导数通常对噪声很敏感，因此必须采用滤波器来改善与噪声有关的边缘检测器的性能。常见的滤波方法主要有高斯滤波，即采用离散化的高斯函数产生一组归一化的高斯核，然后基于高斯核函数对图像灰度矩阵的每一点进行加权求和。
2）增强：增强边缘的基础是确定图像各点邻域强度的变化值。增强算法可以将图像灰度点邻域强度值有显著变化的点凸显出来。在具体编程实现时，可通过计算梯度幅值来确定。
3）检测：经过增强的图像，往往邻域中有很多点的梯度值比较大，而在特定的应用中，这些点并不是我们要找的边缘点，所以应该采用某种方法来对这些点进行取舍。实际工程中，常用的方法是通过阈值化方法来检测。
1、Canny()算子：
Canny边缘检测算子是一个多级边缘检测算法
C++: void Canny(InputArray image, //输入图像，即源图像
OutputArray edges, // 输出的边缘图
double threshold1, // 第一个滞后性阈值
double threshold2, // 第二个滞后性阈值
// 这个函数阈值1和阈值2两者的小者用于边缘连接，而大者用来控制强边缘的初始段，推荐的高低阈值比在2:1到3:1之间。
int apertureSize=3, // 表示应用Sobel算子的孔径大小
bool L2gradient=false // 一个计算图像梯度幅值的标识
)
2、Sobel()算子：
Sobel 算子是一个主要用作边缘检测的离散微分算子 (discrete differentiation operator)。它Sobel算子结合了高斯平滑和微分求导，用来计算图像灰度函数的近似梯度。在图像的任何一点使用此算子，将会产生对应的梯度矢量或是其法矢量。
void Sobel (
InputArray src, // 输入图
OutputArray dst, // 输出图
int ddepth, // 输出图像的深度
// 若src.depth() = CV_8U, 取ddepth =-1/CV_16S/CV_32F/CV_64F
// 若src.depth() = CV_16U/CV_16S, 取ddepth =-1/CV_32F/CV_64F
// 若src.depth() = CV_32F, 取ddepth =-1/CV_32F/CV_64F
// 若src.depth() = CV_64F, 取ddepth = -1/CV_64F
int dx, // x 方向上的差分阶数
int dy, // y 方向上的差分阶数
int ksize=3, // 表示Sobel核的大小;必须取1，3，5或7
double scale=1, // 计算导数值时可选的缩放因子
double delta=0, // 表示在结果存入目标图之前可选的delta值
int borderType=BORDER_DEFAULT // 边界模式
);
3、Laplace()算子：
Laplacian 算子是n维欧几里德空间中的一个二阶微分算子，定义为梯度grad（）的散度div（）。Laplacian( )函数其实主要是利用sobel算子的运算。它通过加上sobel算子运算出的图像x方向和y方向上的导数，来得到我们载入图像的拉普拉斯变换结果。
void Laplacian(InputArray src, // 源图像
OutputArray dst, // 输出的边缘图
int ddepth, // 输出图像的深度
int ksize=1, // 用于计算二阶导数的滤波器的孔径尺寸
double scale=1, // 计算拉普拉斯值的时候可选的比例因子
double delta=0, // 表示在结果存入目标图之前可选的delta值
intborderType=BORDER_DEFAULT // 边界模式
);
4、scharr滤波器：
scharr一般我就直接称它为滤波器，而不是算子,主要是配合Sobel算子的运算而存在的。
scharr算子与Sobel的不同点是在平滑部分，这里所用的平滑算子是1/16∗[3,10,3]，相比于1/4∗[1,2,1]，中心元素占的权重更重，这可能是相对于图像这种随机性较强的信号，邻域相关性不大，所以邻域平滑应该使用相对较小的标准差的高斯函数，也就是更瘦高的模板。
void Scharr(
InputArray src, // 源图
OutputArray dst, // 目标图
int ddepth, // 图像深度
int dx, // x方向上的差分阶数
int dy, //y方向上的差分阶数
double scale=1, //缩放因子
double delta=0, // delta值
intborderType=BORDER_DEFAULT // 边界模式
)
4、代码示例：
#include <opencv2/opencv.hpp>
using namespace cv;
using namespace std;
//原图，原图的灰度版，目标图
Mat g_srcImage, g_srcGrayImage,g_dstImage;
//Canny边缘检测相关变量
Mat g_cannyDetectedEdges;
int g_cannyLowThreshold=1;//TrackBar位置参数
//Sobel边缘检测相关变量
Mat g_sobelGradient_X, g_sobelGradient_Y;
Mat g_sobelAbsGradient_X, g_sobelAbsGradient_Y;
int g_sobelKernelSize=1;//TrackBar位置参数
//Scharr滤波器相关变量
Mat g_scharrGradient_X, g_scharrGradient_Y;
Mat g_scharrAbsGradient_X, g_scharrAbsGradient_Y;
int main()
{
//载入原图
g_srcImage = imread("F:/C++/2. OPENCV 3.1.0/7.1 edge detection 边缘检测/5.jpg");
if( !g_srcImage.data ) { printf("Oh，no，读取srcImage错误~！ \n"); return false; }
//显示原始图
namedWindow("【原始图】");
imshow("【原始图】", g_srcImage);
// 1、创建与src同类型和大小的矩阵(dst)
g_dstImage.create( g_srcImage.size(), g_srcImage.type() );
// 2、将原图像转换为灰度图像
cvtColor( g_srcImage, g_srcGrayImage, COLOR_BGR2GRAY );
// 3、创建trackbar
namedWindow( "【效果图】Canny边缘检测", WINDOW_AUTOSIZE );
namedWindow( "【效果图】Sobel边缘检测", WINDOW_AUTOSIZE );
createTrackbar( "参数值：", "【效果图】Canny边缘检测", &g_cannyLowThreshold, 120, on_Canny);
createTrackbar( "参数值：", "【效果图】Sobel边缘检测", &g_sobelKernelSize, 3, on_Sobel);
// 4、调用回调函数
on_Canny(0, 0);
on_Sobel(0, 0);
// 5、调用封装了Scharr边缘检测代码的函数
Scharr( );
//轮询获取按键信息，若按下Q，程序退出
while((char(waitKey(1)) != 'q')) {}
}
1）Canny边缘检测窗口滚动条的回调函数
void on_Canny(int, void*)
{
// 先使用 3x3内核来降噪
blur( g_srcGrayImage, g_cannyDetectedEdges, Size(3,3) );
// 运行我们的Canny算子
// threshold1：滞后性阈值1（较小值用于边缘连接，较大值控制强边缘的初始段）
// threshold2：滞后性阈值2
// apertureSize sobel算子的孔径大小
Canny( g_cannyDetectedEdges, g_cannyDetectedEdges, g_cannyLowThreshold, g_cannyLowThreshold*3, 3 );
//先将g_dstImage内的所有元素设置为0
g_dstImage = Scalar::all(0);
//使用Canny算子输出的边缘图g_cannyDetectedEdges作为掩码，来将原图g_srcImage拷到目标图g_dstImage中
g_srcImage.copyTo( g_dstImage, g_cannyDetectedEdges);
//显示效果图
imshow( "【效果图】Canny边缘检测", g_dstImage );
}
2）Sobel边缘检测窗口滚动条的回调函数
void on_Sobel(int, void*)
{
//Sobel算子是一阶导数的边缘检测算子，在算法实现过程中，通过3×3模板作为核与图像中的每个像素点做卷积和运算，然后选取合适的阈值以提取边缘。
//Sobel算子算法的优点是计算简单，速度快。但是由于只采用了2个方向的模板，只能检测水平和垂直方向的边缘，
//因此这种算法对于纹理较为复杂的图像，其边缘检测效果就不是很理想。该算法认为：
//凡灰度新值大于或等于阈值的像素点时都是边缘点。
//这种判断欠合理，会造成边缘点的误判，因为许多噪声点的灰度值也很大。
// ddepth:输出图像的深度
// dx,dy: x y方向上的差分阶数
// scale ：计算导数时的缩放因子
// 求 X方向梯度
Sobel( g_srcImage, g_sobelGradient_X, CV_16S, 1, 0, (2*g_sobelKernelSize+1), 1, 1, BORDER_DEFAULT );
// 对于输入数组的每个元素，convertScaleAbs函数依次执行三个操作:缩放、取绝对值、转换为无符号8位类型 :
// dst(I)=saturate\_cast(|src(I)∗alpha+beta|)
convertScaleAbs( g_sobelGradient_X, g_sobelAbsGradient_X );
// Mat grad_xROI(grad_x,Rect(0,0,20,20));
// cout<<"M="<
// imshow("【效果图】 X方向Sobel1", grad_x);
// 求Y方向梯度
Sobel( g_srcImage, g_sobelGradient_Y, CV_16S, 0, 1, (2*g_sobelKernelSize+1), 1, 1, BORDER_DEFAULT );
convertScaleAbs( g_sobelGradient_Y, g_sobelAbsGradient_Y );
// 合并梯度
addWeighted( g_sobelAbsGradient_X, 0.5, g_sobelAbsGradient_Y, 0.5, 0, g_dstImage );
//显示效果图
imshow("【效果图】Sobel边缘检测", g_dstImage);
}
3）Scharr边缘检测相关代码的函数
void Scharr( )
{
// scharr算子与Sobel的不同点是在平滑部分，这里所用的平滑算子是1/16∗[3,10,3]，
// 相比于1/4∗[1,2,1]，中心元素占的权重更重，这可能是相对于图像这种随机性较强的信号，
// 邻域相关性不大，所以邻域平滑应该使用相对较小的标准差的高斯函数，也就是更瘦高的模板。
// 求 X方向梯度
Scharr( g_srcImage, g_scharrGradient_X, CV_16S, 1, 0, 1, 0, BORDER_DEFAULT );
convertScaleAbs( g_scharrGradient_X, g_scharrAbsGradient_X );//计算绝对值，并将结果转换成8位
// 求Y方向梯度
Scharr( g_srcImage, g_scharrGradient_Y, CV_16S, 0, 1, 1, 0, BORDER_DEFAULT );
convertScaleAbs( g_scharrGradient_Y, g_scharrAbsGradient_Y );//计算绝对值，并将结果转换成8位
// 合并梯度
addWeighted( g_scharrAbsGradient_X, 0.5, g_scharrAbsGradient_Y, 0.5, 0, g_dstImage );
//显示效果图
imshow("【效果图】Scharr滤波器", g_dstImage);
}
结果：
