三种图像处理的基本边缘检测法

三种最基本的边缘检测法

1：直接对图像平滑滤波，之后利用sobel算子计算图像梯度，进行阈值处理，得到图像边缘图。这是最基本的边缘检测方法。效果当然一般般而且容易产生边缘断线。

2：Marr-Hildreth检测法，Marr和Hildreth两位前辈证明，

1)灰度变化和图像尺度无关（不管图像是大是小，比如将同一张图片进行缩放，他的边缘应该是不会改变的）,所以检测的时候要用不同尺寸的算子（比如大图片如果使用很小的算子，一条线容易变成一个区域被0像素隔开）。

2）灰度变化会在一阶导数引起波峰波谷，在二阶导数引起零交叉。

于是证明出满足这些条件最好的算子是LOG，也就是先高斯滤波，再拉普拉斯，求得零交叉，在opencv上对应代码

GaussianBlur(src, src, Size(3, 3), 1.5, 1.5);  

Laplacian(src, dst, src.depth(), 3, 1, 0, BORDER_DEFAULT);  

但令人奇怪的是，这两个函数都没有输入阈值的参数，可能opencv在两个函数内自动计算的吧。

3：Canny算子也是用的最多的算子，先高斯滤波，在求梯度幅值图像，然后非最大值抑制，最后双阈值处理+连接分析进行连接边缘

非最大值抑制能够产生更细的边缘图像，因为求梯度是一阶偏导运算，而一阶导数求出的边缘是比较粗的，最后如果还是觉得边缘很粗的话

可以用形态学细化算法，注意的是在Canny中选取双阈值时Canny前辈提示我们用1:3，或者1:2的效果更好。

Mat grayimg;

Mat flower = imread("D:/picture/orange.jpg");

cvtColor(flower, grayimg, COLOR_BGR2GRAY);

GaussianBlur(grayimg, grayimg, Size(5, 5), 2);

imshow("[高斯滤波]效果图", grayimg);
Canny(grayimg, grayimg, 30, 60);
imshow("[canny检测]算子的边缘检测", grayimg);

注意：再求图像的边缘的时候必须先将图像转换为灰度图像。原因引用百度知道里的朋友的回答：“

由于边缘检测基本是用梯度算子完成的，梯度是在坐标（x，y）处指向f最大变化率的方向的向量，而彩色图像实际是由若干种原色（如RGB）构成的，如果直接检测彩色图像边缘也就是对每种色彩单独检测，但是各原色在一点处的梯度方向可能不同，从而得到的边缘也不同，会发生错误。要采用计算平均向量可以解决该问题但复杂性提高。

疑惑：在刚萨雷斯的书中，作者提示我们在选取高斯滤波模板（n*n）和标准差（σ）时应该使n为大于等于6σ的最小奇整数，但在实际用opencv函数Gaussianblur()进行效果检验的时候发现使n大于标准差的6倍效果并不是最好的，不知道作者这句话是什么意思。


----------------------分割线----------------------------------------------------------------------------

疑惑解答：最近看到了一篇博客，里面就提到了高斯滤波模板之所以选择6σ的原因，原文如下

高斯模版是圆对称的，且卷积的结果使原始像素值有最大的权重，距离中心越远的相邻像素值权重也越小。
在实际应用中，在计算高斯函数的离散近似时，在大概3σ距离之外的像素都可以看作不起作用，这些像素的计算也就可以忽略。所以，通常程序只计算(6σ+1)*(6σ+1)就可以保证相关像素影响。
而且标准差的大小决定图像的平滑程度，大尺度对应图像的概貌特征，小尺度对应图像的细节特征。大的标准差对应低分辨的粗糙尺度，反之对应精细尺度。

引用链接：http://blog.csdn.net/xiaowei_cqu/article/details/8067881

http://blog.csdn.net/abcjennifer/article/details/7639681/