12- OpenCV：算子(Sobel和Laplance) 和Canny边缘检测 详解

目录

一、Sobel算子

1、卷积应用-图像边缘提取

2、Sobel算子（索贝尔算子）

3、相关的API（代码例子）

二、Laplance算子

1、理论

2、API使用（代码例子）

三、Canny边缘检测

1、Canny算法介绍

2、API使用（代码例子）

---

一、Sobel算子

1、卷积应用-图像边缘提取

         在这个红点变化最大，变化率很高的，梯度也是最陡。变化率做成一根曲线，所以变化率最大的就在顶点。

（1）边缘是什么 ：是像素值发生跃迁的地方，是图像的显著特征之一，在图像特征提取、对象检测、模式识别等方面都有重要的作用。

（2）如何捕捉/提取边缘 – 对图像求它的一阶导数       

                delta =  f(x) – f(x-1), delta越大，说明像素在X方向变化越大，边缘信号越强，

（3）用Sobel算子就好！卷积操作！

2、Sobel算子（索贝尔算子）

（1）是离散微分算子（discrete differentiation operator），用来计算图像灰度的近似梯度；

（2）Soble算子功能集合高斯平滑和微分求导；

（3）又被称为一阶微分算子，求导算子，在水平和垂直两个方向上求导，得到图像X方法与Y方向梯度图像；

（4）求取导数的近似值，kernel=3时不是很准确，OpenCV使用改进版本Scharr函数，算子如下：放大了权重，差异性更加大了，不过也更加准确些。

3、相关的API（代码例子）

（1）cv_Sobel函数原型

cv::Sobel (

InputArray Src // 输入图像

OutputArray dst// 输出图像，大小与输入图像一致

int depth // 输出图像深度.

int dx.  // X方向，几阶导数

int dy // Y方向，几阶导数.

int ksize, SOBEL算子kernel大小，必须是奇数，1、3、5、7，一般是3

double scale  = 1

double delta = 0

int borderType = BORDER_DEFAULT

)

（2）cv::Scharr

cv::Scharr (

InputArray Src // 输入图像

OutputArray dst// 输出图像，大小与输入图像一致

int depth // 输出图像深度.

int dx.  // X方向，几阶导数

int dy // Y方向，几阶导数.

double scale  = 1

double delta = 0

int borderType = BORDER_DEFAULT

)

（3）其他的API

— GaussianBlur( src, dst, Size(3,3), 0, 0, BORDER_DEFAULT );

— cvtColor( src,  gray, COLOR_RGB2GRAY );

— addWeighted( A, 0.5,B, 0.5, 0, AB); convertScaleAbs(A, B)// 计算图像A的像素绝对值，输出到图像B

（4）代码演示

图像处理流程：

-高斯平滑（高斯模糊）GaussianBlur( )

-转灰度

-求梯度X和Y：做Sobel索贝尔计算

-得到振幅图像

#include 
#include 
#include 

using namespace cv;
int main(int argc, char** argv) {
	Mat src, dst;
	src = imread("test.jpg");
	if (!src.data) {
		printf("could not load image...\n");
		return -1;
	}

	char INPUT_TITLE[] = "input image";
	char OUTPUT_TITLE[] = "sobel-demo";
	namedWindow(INPUT_TITLE, CV_WINDOW_AUTOSIZE);
	namedWindow(OUTPUT_TITLE, CV_WINDOW_AUTOSIZE);
	imshow(INPUT_TITLE, src);

	Mat gray_src;
	GaussianBlur(src, dst, Size(3, 3), 0, 0);
	cvtColor(dst, gray_src, CV_BGR2GRAY);
	imshow("gray image", gray_src);

	Mat xgrad, ygrad;
	Scharr(gray_src, xgrad, CV_16S, 1, 0);
	Scharr(gray_src, ygrad, CV_16S, 0, 1);

	// Sobel(gray_src, xgrad, CV_16S, 1, 0, 3);
	// Sobel(gray_src, ygrad, CV_16S, 0, 1, 3);

    // 转为绝对值
	convertScaleAbs(xgrad, xgrad);
	convertScaleAbs(ygrad, ygrad);
	imshow("xgrad", xgrad);
	imshow("ygrad", ygrad);

	Mat xygrad = Mat(xgrad.size(), xgrad.type());
	printf("type : %d\n", xgrad.type());
	int width = xgrad.cols;
	int height = ygrad.rows;
	for (int row = 0; row < height; row++) {
		for (int col = 0; col < width; col++) {
			int xg = xgrad.at(row, col);
			int yg = ygrad.at(row, col);
			int xy = xg + yg;
			xygrad.at(row, col) = saturate_cast(xy);
		}
	}
	//addWeighted(xgrad, 0.5, ygrad, 0.5, 0, xygrad);
	imshow(OUTPUT_TITLE, xygrad);

	waitKey(0);
	return 0;
}

效果展示：

二、Laplance算子

1、理论

解释：在二阶导数的时候，最大变化处的值为零即边缘是零值。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。

实际上就是：拉普拉斯算子操作（Laplance operator）-> cv::Laplance

2、API使用（代码例子）

（1）cv::Laplacian原型：

Laplacian(

InputArray src,

OutputArray dst,

int depth, //深度CV_16S

int kisze, // 3

double scale = 1,

double delta =0.0,

int borderType = 4

)

（2）代码演示

图像处理流程：

- 高斯模糊 – 去噪声GaussianBlur()

- 转换为灰度图像cvtColor()

- 拉普拉斯 – 二阶导数计算Laplacian()

-取绝对值convertScaleAbs()

-显示结果

#include 
#include 
#include 

using namespace cv;
int main(int argc, char** argv) {
	Mat src, dst;
	src = imread("test.jpg");
	if (!src.data) {
		printf("could not load image");
	}
	char input_title[] = "input image";
	char output_title[] = "Laplaiance Result";
	namedWindow(input_title, CV_WINDOW_AUTOSIZE);
	imshow(input_title, src);

	Mat gray_src, edge_image;
	GaussianBlur(src, dst, Size(3, 3), 0, 0);
	cvtColor(dst, gray_src, CV_BGR2GRAY);

	Laplacian(gray_src, edge_image, CV_16S, 3);
	convertScaleAbs(edge_image, edge_image);

    // 边缘处理
	threshold(edge_image, edge_image, 0, 255, THRESH_OTSU | THRESH_BINARY);
	namedWindow(output_title, CV_WINDOW_AUTOSIZE);
	imshow(output_title, edge_image);

	waitKey(0);
	return 0;
}

效果展示：

三、Canny边缘检测

1、Canny算法介绍

（1）简介：Canny算法是一种经典的边缘检测算法，常用于计算机视觉和图像处理领域。

它由John F. Canny在1986年提出，并被广泛应用于图像分割、目标检测等任务中。

（3）图像处理流程：

图像处理流程：

- 高斯模糊 - GaussianBlur，对图像进行降噪，避免影响最终的结果

- 灰度转换 - cvtColor，必须是8位的灰度图像

- 计算梯度 – Sobel/Scharr

- 非最大信号抑制

- 高低阈值

- 输出二值图像

（3）非最大信号抑制：图表边缘的信号很强，边缘信号只有一个，要对非边缘信号进行抑制。要对法线或者切线方向的值去掉。

        对梯度幅值图像进行非极大值抑制。这一步骤的目的是将边缘细化为单像素宽度，并抑制非最大值区域。具体来说，对于每个像素，只有在其梯度方向上具有最大幅值的像素才被保留。

（4）高低阈值输出二值图像：

        根据两个阈值（高阈值和低阈值）对非极大值抑制后的图像进行阈值处理。高阈值用于确定强边缘，而低阈值用于确定弱边缘。具体来说，如果某个像素的梯度幅值大于高阈值，则将其标记为强边缘；如果某个像素的梯度幅值介于低阈值和高阈值之间，则将其标记为弱边缘；如果某个像素的梯度幅值小于低阈值，则将其丢弃。

一个为高阈值，一个为低阈值（T1和T2）；

— T1， T2为阈值，凡是高于T2的都保留（是很强的边缘像素 ），凡是小于T1都丢弃，从高于T2的像素出发，凡是大于T1而且相互连接的，都保留。最终得到一个输出二值图像。

— 推荐的高低阈值比值为 T2: T1 = 3:1/2:1，其中T2为高阈值，T1为低阈值。

（5）边缘连接

        通过连接强边缘和与之相连的弱边缘来形成完整的边缘。具体来说，如果某个弱边缘与某个强边缘在空间上相邻接，则将其标记为强边缘。

2、API使用（代码例子）

（1）cv::Canny原型

Canny（

InputArray src, // 8-bit的输入图像

OutputArray edges,// 输出边缘图像， 一般都是二值图像，背景是黑色

double threshold1,// 低阈值，常取高阈值的1/2或者1/3

double threshold2,// 高阈值

int aptertureSize,// Soble算子的size，通常3x3，取值3

bool L2gradient // 选择 true表示是L2来归一化，否则用L1归一化

）

（2）代码演示

#include 
#include 
#include 

using namespace cv;
Mat src, gray_src, dst;
int t1_value = 50;
int max_value = 255;
const char* OUTPUT_TITLE = "Canny Result";
void Canny_Demo(int, void*);
int main(int argc, char** argv) {
	src = imread("test,jpg");
	if (!src.data) {
		printf("could not load image...\n");
		return -1;
	}

	char INPUT_TITLE[] = "input image";
	namedWindow(INPUT_TITLE, CV_WINDOW_AUTOSIZE);
	namedWindow(OUTPUT_TITLE, CV_WINDOW_AUTOSIZE);
	imshow(INPUT_TITLE, src);

	cvtColor(src, gray_src, CV_BGR2GRAY);
	createTrackbar("Threshold Value:", OUTPUT_TITLE, &t1_value, max_value, Canny_Demo);
	Canny_Demo(0, 0);

	waitKey(0);
	return 0;
}

void Canny_Demo(int, void*) {
	Mat edge_output;
	blur(gray_src, gray_src, Size(3, 3), Point(-1, -1), BORDER_DEFAULT);
	Canny(gray_src, edge_output, t1_value, t1_value * 2, 3, false);

	//dst.create(src.size(), src.type());

    // 使用遮罩层，只有非零的元素才会被copy到模板中
	//src.copyTo(dst, edge_output);

    // ~取反输出
	imshow(OUTPUT_TITLE, ~edge_output);
}

效果展示：