基于opencv的几种图像边缘检测f
本文主要介绍几种常见的边缘检测算法：canny边缘检测、Sobel边缘检测、Laplacian边缘检测和Scharr边缘检测。
1. 主要介绍基于canny算子的边缘检测：Canny边缘检测基本原理
(1)图象边缘检测必须满足两个条件：一能有效地抑制噪声；二必须尽量精确确定边缘的位置。
(2)根据对信噪比与定位乘积进行测度，得到最优化逼近算子。这就是Canny边缘检测算子。
(3)类似与Marr（LoG）边缘检测方法，也属于先平滑后求导数的方法。
基于opencv库函数为：
Canny边缘检测函数
Canny (InputArray image, OutputArray edges, double threshold, double threshold2,int apertureSize = 3, bool L2gradient = false)参数功能：
image：输入图像
edges：输出图像
threshold：第一个滞后性阈值
threshold2：第二个滞后性阈值
apertureSize：表示应用Sobel算子的孔径大小，默认值为3
L2gradient：一个计算图像梯度幅值的标识，默认值false实现代码：
#include
#include
using namespace cv;
using namespace std;
int main()
{
Mat src = imread("lena.jpg");
imshow("原图", src);
Mat dst, edge, gray;
//将原图像转换为灰度图像
cvtColor(src, gray, COLOR_BGR2GRAY);
//使用canny算子
Canny(gray, edge, 3, 9, 3);
imshow("canny边缘检测结果", edge);
waitKey();
return 0;
} 结果
原图
结果
2. Sobel 算子是一个离散微分算子。 它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。基于opencv库的实现函数为：
Soble边缘检测函数：
Sobel(InputArray src,OutputArray dst, int ddepth, int dx,int dy,int ksize= 3,double scale = 1,double delta = 0, int borderType = BORDER_DEFAULT)-
1 src：输入图像 2 dst：输出图像 3 ddepth：输出图像的深度，取值规则如下： 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 4 dx：x方向上的差分阶数 5 dy：y方向上的差分阶数 6 ksize：表示soble核的大小，必须取1、3、5或7，默认值是3. 7 scale：计算导数值时可选的缩放因子，默认值是1，表示默认情况下是应用缩放的。 8 delta：表示在结果存入目标图之前可选的delta值，默认值为0 9 borderType：边界模式，默认值为BORDER_DEFAULT
实现代码：
#include
#include
using namespace cv;
using namespace std;
int main()
{
Mat grad_x, grad_y,gray;
Mat abs_grad_x, abs_grad_y, dst;
Mat src = imread("lena.jpg");
imshow("原图", src);
//将原图像转换为灰度图像
cvtColor(src, gray, COLOR_BGR2GRAY);
//使用Sobel算子,在x方向上边缘检测
Sobel(gray, grad_x, CV_16S, 1, 0, 3, 1, 1, BORDER_DEFAULT);
convertScaleAbs(grad_x, abs_grad_x);
imshow("x方向边缘检测结果", abs_grad_x);
//使用Sobel算子,在y方向上边缘检测
Sobel(gray, grad_y, CV_16S, 0, 1, 3, 1, 1, BORDER_DEFAULT);
convertScaleAbs(grad_y, abs_grad_y);
imshow("y方向边缘检测结果", abs_grad_y);
addWeighted(abs_grad_x, 0.5, abs_grad_y, 0.5, 0, dst);
imshow("完整边缘检测结果", dst);
waitKey();
return 0;
} 结果：
原图
x方向边缘检测结果
y方向边缘检测结果
完整边缘检测结果
3. 拉普拉斯是一种各向同性二阶微分算子。Laplace算子对孤立象素的响应要比对边缘或线的响应要更强烈，因此只适用于无噪声图象。基于opencv的库函数为：
Laplacian边缘检测函数
Laplacian (InputArray src, OutputArray dst,int ddepth ,int ksize = 1,double scale = 1,double delta = 0,intborderType = BORDER_DEFAULT)-
1 src：输入图像 2 dst：输出图像 3 ddepth：输出图像的深度，取值规则如下： 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 4 dx：x方向上的差分阶数 5 dy：y方向上的差分阶数 6 ksize：表示soble核的大小，必须取1、3、5或7，默认值是3. 7 scale：计算拉普拉斯值的时候可选的比例因子，默认值为1 8 delta：表示在结果存入目标图之前可选的delta值，默认值为0 9 borderType：边界模式，默认值为BORDER_DEFAULT.
实现代码：
#include
#include
using namespace cv;
using namespace std;
int main()
{
Mat abs_dst, dst,gray;
Mat src = imread("lena.jpg");
imshow("原图", src);
//将原图像转换为灰度图像
cvtColor(src, gray, COLOR_BGR2GRAY);
//使用Sobel算子,在x方向上边缘检测
Laplacian(gray, dst, CV_16S, 3, 1, 0, BORDER_DEFAULT);
convertScaleAbs(dst, abs_dst);
imshow("Laplacian边缘检测结果", abs_dst);
waitKey();
return 0;
} 结果：
原图
laplacian边缘检测结果
4. Scharr边缘检测函数
Scharr (InputArray src, OutputArray dst,int ddepth ,int ksize = 1,double scale = 1,double delta = 0,int borderType = BORDER_DEFAULT)-
1 src：输入图像 2 dst：输出图像 3 ddepth：输出图像的深度，取值规则如下： 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 4 dx：x方向上的差分阶数 5 dy：y方向上的差分阶数 6 ksize：表示soble核的大小，必须取1、3、5或7，默认值是3. 7 scale：计算拉普拉斯值的时候可选的比例因子，默认值为1 8 delta：表示在结果存入目标图之前可选的delta值，默认值为0 9 borderType：边界模式，默认值为BORDER_DEFAULT.
实现代码：
#include
#include
using namespace cv;
using namespace std;
int main()
{
Mat grad_x, grad_y,gray;
Mat abs_grad_x, abs_grad_y, dst;
Mat src = imread("
lena.jpg");
imshow("原图", src);
//将原图像转换为灰度图像
cvtColor(src, gray, COLOR_BGR2GRAY);
//使用Sobel算子,在x方向上边缘检测
Scharr(gray, grad_x, CV_16S, 1, 0, 1, 0, BORDER_DEFAULT);
convertScaleAbs(grad_x, abs_grad_x);
imshow("x方向边缘检测结果", abs_grad_x);
//使用Sobel算子,在y方向上边缘检测
Scharr(gray, grad_y, CV_16S, 0, 1, 1, 0, BORDER_DEFAULT);
convertScaleAbs(grad_y, abs_grad_y);
imshow("y方向边缘检测结果", abs_grad_y);
addWeighted(abs_grad_x, 0.5, abs_grad_y, 0.5, 0, dst);
imshow("完整边缘检测结果", dst);
waitKey();
return 0;
} 结果：
原图
x方向边缘检测结果
y方向边缘检测结果
完整边缘检测结果
到此图像边缘检测常见的四种方法介绍完毕，欢迎留言指正，如有对图像处理、计算机视觉感兴趣的小伙伴关注公众号，一起学习进步。
可以微信搜索“图像处理CV讲武堂”关注，也可如下二维扫码关注。
