开发环境为:win10+QT5.8+opencv3.2
数字图像的边缘检测是图像分割、目标区域的识别、区域形状提取等图像分析领域十分重要的基础,图像分析和理解的第一步往往就是边缘检测。轮廓跟踪是获取图像的外部轮廓特征,为图像的形状分析做准备。本文主要实现图像边缘检测、轮廓提取、轮廓跟踪。
一、读取图像
读取图像见QT+opencv学习笔记(1)——图像点运算,这里不再赘述。
读取结果如下图:
二、边缘检测
边缘是指图像局部强度变化最显著的部分。边缘主要存在与目标与目标、目标与背景、区域与区域之间。图像强度的不连续性可分为:阶跃不连续,即图像强度在不连续处的两边的像素灰度值有显著的差异;线条不连续,即图像强度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。
边缘检测算子检查每个像素的邻域并对灰度变换率进行量化,也包括方向的确定。大多数使用基于方向倒数掩模求卷积的方法。
下面介绍几种常用的边缘检测算子。
Canny算子
Canny算子运用比较广泛。是在Sobel算子的基础上改进的。
Canny算子的步骤是:
1.先进行滤波降噪。
2.计算梯度幅值和方向(进行Sobel算子计算)。
3.非极大值抑制。
4.滞后阈值。
Canny边缘检测可通过Canny()函数来实现。Canny()函数的定义如下:
//推荐高低阈值比例介于2:1与3:1之间 void Canny(InputArray image, //8位单通道输入图像 OutputArray edges, //输出图像,和输入图像的尺寸类型一致 double threshold1, //滞后阈值低阈值(用于边缘连接) double threshold2, //滞后阈值高阈值(控制边缘初始段) int apertureSize=3, //表示Sobel算子孔径大小,默认为3 bool L2gradient=false //计算图像梯度幅值的标识 );
Canny边缘检测主要代码如下:
//Canny边缘检测 Canny(grayImg, edgeImg, 30, 80);
Canny边缘检测处理结果如下:
Sobel算子
Sobel算子是一个主要用于边缘检测的离散微分算子,它结合了高斯平滑和微分求导,用于计算图像灰度函数的近似梯度。
Sobel算子检测方法对灰度渐变和噪声较多的图像处理效果较好,对边缘定位不是很准确,图像的边缘不止一个像素。
Sobel边缘检测可通过Sobel()函数来实现。Sobel()函数的定义如下:
void Sobel(InputArray src, //输入图像 OutputArray dst, //输出图像,和输入图像的尺寸类型一致 int ddepth, //输出图像的深度 int xorder, //x方向上的差分阶数 int yorder, //y方向上的差分阶数 int ksize=3, //Sobel核的大小,取值1,3,5,7 double scale=1, //计算倒数时的缩放因子 double delta=0, //可选delta值 int borderType=BORDER_DEFAULT //边界模式,一般默认即可 )
Sobel边缘检测主要代码如下:
//Sobel边缘检测 Mat x_edgeImg, y_edgeImg; Mat abs_x_edgeImg, abs_y_edgeImg; /*****先对x方向进行边缘检测********/ //因为Sobel求出来的结果有正负,8位无符号表示不全,故用16位有符号表示 Sobel(grayImg,x_edgeImg, CV_16S, 1, 0, 3, 1, 1, BORDER_DEFAULT); convertScaleAbs(x_edgeImg, abs_x_edgeImg);//将16位有符号转化为8位无符号 /*****再对y方向进行边缘检测********/ Sobel(grayImg, y_edgeImg, CV_16S, 0, 1, 3, 1, 1, BORDER_DEFAULT); convertScaleAbs(y_edgeImg, abs_y_edgeImg); addWeighted(abs_x_edgeImg, 0.5, abs_y_edgeImg, 0.5, 0, edgeImg);
Sobel边缘检测处理结果如下:
Laplacian算子
Laplacian算子边缘检测是通过二阶倒数,二阶倒数比一阶倒数的好处是在与受到周围的干扰小,其不具有方向性,操作容易,且对于很多方向的图像处理好。
Laplacian算子对噪声比较敏感,所以很少用该算子检测边缘,而是用来判断边缘像素视为与图像的明区还是暗区。
Laplacian边缘检测可通过Laplacian()函数来实现。Laplacian()函数的定义如下:
void Laplacian(InputArray src, //输入图像 OutputArray dst, //输出图像,和输入图像的尺寸类型一致 int ddepth, //输出图像的深度 int ksize=1, //用于计算二阶导数的滤波器孔径大小,须为正奇数,默认值为1 double scale=1, //可选比例因子,默认值为1 double delta=0, //可选delta值 int borderType=BORDER_DEFAULT //边界模式,一般默认即可 )
Laplacian边缘检测主要代码如下:
//Laplacian边缘检测 Mat lapImg; Laplacian(grayImg, lapImg, CV_16S, 5, 1, 0, BORDER_DEFAULT); convertScaleAbs(lapImg, edgeImg);
Laplacian边缘检测处理结果如下:
三、轮廓提取
轮廓的提取,边缘检测就可以做到,不过得到的轮廓比较粗糙。
图像轮廓的提取先对图像二值化,再通过findContours()函数提取轮廓,最后通过drawContours()函数将轮廓绘制出来。在将轮廓提取的结果使用imwrite函数保存到本地时,总是写不了,查了半天没找出问题,刚开始文件名为con.bmp,最后把文件名改成cont.bmp就好了,玄学。。。
findContours()函数定义如下:
void cv::findContours( cv::InputOutputArray image, // 输入的8位单通道“二值”图像 cv::OutputArrayOfArrays contours, // 包含points的vectors的vector cv::OutputArray hierarchy, // (可选) 拓扑信息 int mode, // 轮廓检索模式 int method, // 近似方法 cv::Point offset = cv::Point() // (可选) 所有点的偏移 );
drawContours()函数定义如下:
void cv::drawContours( cv::InputOutputArray image, // 用于绘制的输入图像 cv::InputArrayOfArrays contours, // 点的vectors的vector int contourIdx, // 需要绘制的轮廓的指数 (-1 表示 "all") const cv::Scalar& color, // 轮廓的颜色 int thickness = 1, // 轮廓线的宽度 int lineType = 8, // 轮廓线的邻域模式('4'邻域 或 '8'邻域) cv::InputArray hierarchy = noArray(), // 可选 (从 findContours得到) int maxLevel = INT_MAX, // 轮廓中的最大下降 cv::Point offset = cv::Point() // (可选) 所有点的偏移 )
轮廓提取主要代码如下:
Mat contImg = Mat ::zeros(grayImg.size(),CV_8UC3);//定义三通道轮廓提取图像 Mat binImg; threshold(grayImg, binImg, 127, 255, THRESH_OTSU);//大津法进行图像二值化 vector<vector<Point>> contours; vector<Vec4i> hierarchy; //查找轮廓 findContours(binImg, contours, hierarchy, CV_RETR_CCOMP, CV_CHAIN_APPROX_NONE); //绘制查找到的轮廓 drawContours(contImg, contours, -1, Scalar(0,255,0));
轮廓提取处理结果如下:
四、轮廓跟踪
通常在进行边缘检测之后,需要通过边缘跟踪来将离散的边缘串接起来,常使用的方法边缘跟踪法。边缘跟踪又分为八邻域和四邻域两种。
实现步骤:
1、灰度化并进行Canny边缘检测;
2、按照预先设定的跟踪方向(顺时针)进行边缘跟踪;
3、每次跟踪的终止条件为:8邻域都不存在轮廓。
主要代码如下:
Mat edgeImg,trackImg; // Canny边缘检测 Canny(grayImg, edgeImg, 50, 100); vector<Point> edge_t; vector<vector<Point>> edges; //边缘跟踪 EdgeTracking(edgeImg,edge_t,edges,trackImg);
void Dialog::EdgeTracking(Mat& Edge,vector<Point>& edge_t,vector<vector<Point>>& edges,Mat& trace_edge_color) { // 8 neighbors const Point directions[8] = { { 0, 1 }, {1,1}, { 1, 0 }, { 1, -1 }, { 0, -1 }, { -1, -1 }, { -1, 0 },{ -1, 1 } }; int i, j, counts = 0, curr_d = 0; for (i = 1; i < Edge.rows - 1; i++) for (j = 1; j < Edge.cols - 1; j++) { // 起始点及当前点 //Point s_pt = Point(i, j); Point b_pt = Point(i, j); Point c_pt = Point(i, j); // 如果当前点为前景点 if (255 == Edge.at<uchar>(c_pt.x, c_pt.y)) { edge_t.clear(); bool tra_flag = false; // 存入 edge_t.push_back(c_pt); Edge.at<uchar>(c_pt.x, c_pt.y) = 0; // 用过的点直接给设置为0 // 进行跟踪 while (!tra_flag) { // 循环八次 for (counts = 0; counts < 8; counts++) { // 防止索引出界 if (curr_d >= 8) { curr_d -= 8; } if (curr_d < 0) { curr_d += 8; } // 当前点坐标 // 跟踪的过程,应该是个连续的过程,需要不停的更新搜索的root点 c_pt = Point(b_pt.x + directions[curr_d].x, b_pt.y + directions[curr_d].y); // 边界判断 if ((c_pt.x > 0) && (c_pt.x < Edge.cols - 1) && (c_pt.y > 0) && (c_pt.y < Edge.rows - 1)) { // 如果存在边缘 if (255 == Edge.at<uchar>(c_pt.x, c_pt.y)) { curr_d -= 2; // 更新当前方向 edge_t.push_back(c_pt); Edge.at<uchar>(c_pt.x, c_pt.y) = 0; // 更新b_pt:跟踪的root点 b_pt.x = c_pt.x; b_pt.y = c_pt.y; //cout << c_pt.x << " " << c_pt.y << endl; break; // 跳出for循环 } } curr_d++; } // end for // 跟踪的终止条件:如果8邻域都不存在边缘 if (8 == counts ) { // 清零 curr_d = 0; tra_flag = true; edges.push_back(edge_t); break; } } // end if } // end while } // 显示一下 Mat trace_edge = Mat::zeros(Edge.rows, Edge.cols, CV_8UC1); //Mat trace_edge_color; cvtColor(trace_edge, trace_edge_color, CV_GRAY2BGR); for (i = 0; i < edges.size(); i++) { Scalar color = Scalar(rand()%255, rand()%255, rand()%255); // 过滤掉较小的边缘 if (edges[i].size() > 5) { for (j = 0; j < edges[i].size(); j++) { trace_edge_color.at<Vec3b>(edges[i][j].x, edges[i][j].y)[0] = color[0]; trace_edge_color.at<Vec3b>(edges[i][j].x, edges[i][j].y)[1] = color[1]; trace_edge_color.at<Vec3b>(edges[i][j].x, edges[i][j].y)[2] = color[2]; } } } }
轮廓跟踪处理结果如下:
整体工程代码见QT+opencv边缘检测,轮廓提取及轮廓跟踪
参考:
(1)边缘检测概念理解
(3)OPENCV轮廓提取findContours和drawContours
(4)【OpenCV3】图像轮廓查找与绘制——cv::findContours()与cv::drawContours()详解