《OpenCV3编程入门》学习笔记7 图像变换（一）基于OpenCV的边缘检测

第7章 图像变换

7.1 基于OpenCV的边缘检测

7.1.1 边缘检测的一般步骤

1.滤波：边缘检测算法主要基于图像强度的一阶和二阶导数，导数对噪声敏感，所以要滤波
2.增强：确定图像各点邻域强度的变化值，将有显著变化的点凸显，可通过计算梯度幅值确定
3.检测：某些特定应用中梯度值较大点不为边缘点，通过阈值化方法检测进行取舍

7.1.2 canny算子

1.主要评价标准：
（1）低错误率：减少噪声误报
（2）高定位性：接近实际边缘
（3）最小响应：边缘只标识一次
2.步骤：
（1）消除噪声：高斯滤波
（2）计算梯度幅值和方向
  1）运用一对卷积阵列分别作用于x和y方向
        
  2）计算梯度幅值和方向（按照Sobel滤波器步骤进行）
             
（3）非极大值抑制：排除非边缘像素，仅保留一些细线条
（4）滞后阈值：高阈值和低阈值（推荐高低阈值比2：1到3：1）
  1）像素幅值超过高阈值，保留为边缘像素
  2）像素幅值小于低阈值，排除
  3）像素幅值在高低之间，该像素连接到一个高于高阈值的像素时被保留
3.函数：Canny()函数
4.函数原型：

void Canny(InputArray image, OutputArray edges, double threshold1, double threshold2, int apertureSize=3, bool L2gradient=false)

5.参数说明：
（1）输入图像
（2）输出的边缘图
（3）第一个滞后性阈值，较小值用于边缘连接
（4）第二个滞后性阈值，较大值用于控制强边缘初始段
（5）应用Sobel算子的孔径大小，默认值3
（6）计算图像梯度幅值的标识，默认false
6.调用示例：

//将原图转成灰度图，降噪，用canny，将边缘图作为掩模拷贝到效果图上，得到彩色边缘图
#include<opencv2/opencv.hpp>
#include<opencv2/highgui/highgui.hpp>
#include<opencv2/imgproc/imgproc.hpp>
using namespace cv;
int main()
{
	//载入原图
	Mat srcImage = imread("love.jpg");
	imshow("【原始图】", srcImage);

	Mat edgeImage, grayImage,dstImage;
	//【1】创建与src同类型和大小矩阵
	dstImage.create(srcImage.size(), srcImage.type());
	//【2】将原图转为灰度图
	cvtColor(srcImage, grayImage, COLOR_BGR2GRAY);
	//【3】使用3*3内核降噪
	blur(grayImage, edgeImage, Size(3, 3));
	//【4】运行canny算子
	Canny(edgeImage, edgeImage, 3, 9, 3);
	//【5】将dstImage中所有元素设为0
	dstImage = Scalar::all(0);
	//【6】使用Canny算子输出的边缘图作为掩码将原图拷到目标图
	srcImage.copyTo(dstImage, edgeImage);
	//【7】显示效果图
	imshow("【效果图】Canny边缘检测", dstImage);

	waitKey(0);
	return 0;
}

运行效果：

7.1.3 sobel算子

1.主要用于边缘检测的离散微分算子（discrete differentiation operator），结合高斯平滑和微分求导，计算图像灰度函数的近似梯度
2.计算过程：
（1）分别在x和y两个方向求导
水平：图像I与奇数大小的内核进行卷积，如内核大小为3：
                
垂直：图像I与奇数大小的内核进行卷积，如内核大小为3：
                
（2）在图像每一点，结合以上两个结果求出近似梯度
              或
3.函数：Sobel()函数
4.函数原型：

void Sobel(InputArray src, OutputArray dst, int ddepth, int dx, int dy, int ksize=3, double scale=1, double delta=0, int borderType=BORDER_DEFAULT)

5.参数说明：
（1）输入图像
（2）目标图像
（3）输出图像深度，支持src.depth()和ddepth的组合：
    
（4）x方向的差分阶数
（5）y方向的差分阶数
（6）Sobel核大小，取值：1、3（默认）、5、7，取值为1时一般使用3*1或1*3内核
   内核大小为3时，Sobel内核可能有明显误差，Scharr函数更精确，内核为：
            
（7）计算导数时可选的缩放因子，默认1（无缩放）
（8）在结果存入目标图之前可选的delta值，默认0
（9）边界模式，默认BORDER_DEFAULT

使用sobel()函数时，取【xorder=1，yorder=0，ksize=3】计算图像X方向导数，取【xorder=0，yorder=1，ksize=3】计算图像Y方向导数

6.调用示例：

#include<opencv2/opencv.hpp>
#include<opencv2/highgui/highgui.hpp>
#include<opencv2/imgproc/imgproc.hpp>
using namespace cv;
int main()
{
	//【0】创建grad_x和grad_y矩阵
	Mat grad_x, grad_y;
	Mat abs_grad_x, abs_grad_y, dstImage;
	//【1】载入原图
	Mat srcImage = imread("love.jpg");
	//【2】显示原图
	imshow("【原始图】sobel边缘检测", srcImage);
	//【3】求X方向梯度
	Sobel(srcImage, grad_x, CV_16S, 1, 0, 3, 1, 1, BORDER_DEFAULT);
	convertScaleAbs(grad_x, abs_grad_x);
	imshow("【效果图】x方向Sobel", abs_grad_x);
	//【4】求Y方向梯度
	Sobel(srcImage, grad_y, CV_16S, 0, 1, 3, 1, 1, BORDER_DEFAULT);
	convertScaleAbs(grad_y, abs_grad_y);
	imshow("【效果图】y方向Sobel", abs_grad_y);
	//【5】合并梯度(近似)
	addWeighted(abs_grad_x, 0.5, abs_grad_y, 0.5, 0, dstImage, -1);
	//【6】显示效果图
	imshow("【效果图】整体方向Sobel", dstImage);

	waitKey(0);
	return 0;
}

运行效果：

7.1.4 Laplacian算子

1.二阶导数可以用来检测边缘， Laplacian算子是n维欧几里得空间中的一个二阶微分算子，定义为梯度grad的散度div，一幅图像减去它的Laplacian算子可以增强对比度
2.如果f是二阶可微的实函数，则f的拉普拉斯算子定义为笛卡尔坐标系xi中的所有非混合二阶偏导数求和：
                
3.函数：Laplacian()函数
4.函数原型：

void Laplacian(InputArray src, OutputArray dst, int ddepth, int ksize=1 , double scale=1, double delta=0, int borderType=BORDER_DEFAULT)

5.参数说明：
（1）输入图像
（2）输出的边缘图
（3）输出图像深度
（4）计算二阶导数的滤波器的孔径尺寸，大小必须为正奇数，默认1
（5）计算拉普拉斯值得时候可选的比例因子，默认1
（6）在结果存入目标图之前可选的delta值，默认0
（7）边界模式，默认BORDER_DEFAULT
6.函数主要利用sobel算子的运算，通过加上sobel算子运算的图像x方向和y方向上的导数，来得到载入图像的拉普拉斯变换，sobel算子如下：
                
ksize=1时，Laplacian()函数采用3*3孔径：
                  
7.调用示例：

#include<opencv2/opencv.hpp>
#include<opencv2/highgui/highgui.hpp>
#include<opencv2/imgproc/imgproc.hpp>
using namespace cv;
int main()
{
	//【0】变量定义
	Mat srcImage, grayImage, dstImage, abs_dstImage;
	//【1】载入原图
	srcImage = imread("love.jpg");
	//【2】显示原图
	imshow("【原始图】图像Laplace变换", srcImage);
	//【3】使用高斯滤波消除噪声
	GaussianBlur(srcImage, srcImage, Size(3, 3), 0, 0, BORDER_DEFAULT);
	//【4】转换为灰度图
	cvtColor(srcImage, grayImage, COLOR_BGR2GRAY);
	//【5】使用Laplace函数
	Laplacian(grayImage, dstImage, CV_16S, 3, 1, 0, BORDER_DEFAULT);
	//【6】计算绝对值，将结果转换成8位
	convertScaleAbs(dstImage, abs_dstImage);
	//【7】显示效果图
	imshow("【效果图】图像Laplacian变换", abs_dstImage);
	waitKey(0);
	return 0;
}

运行效果：

7.1.5 scharr滤波器

1.计算图像差分：Scharr()函数，与Sobel基本一样，没有ksize核大小：

Scharr(src,dst,ddepth,dx,dy,scale,delta,broderType)

=
Sobel(src,dst,ddepth,dx,dy,CV_SCHARR,scale,delta,borderType)

2.调用示例：

#include<opencv2/opencv.hpp>
#include<opencv2/highgui/highgui.hpp>
#include<opencv2/imgproc/imgproc.hpp>
using namespace cv;
int main()
{
	//创建grad_x和grad_y矩阵
	Mat grad_x, grad_y;
	Mat abs_grad_x, abs_grad_y, dstImage;
	//载入原图
	Mat srcImage = imread("love.jpg");
	//显示原图
	imshow("【原始图】Scharr滤波器", srcImage);
	//求x方向梯度
	Scharr(srcImage, grad_x, CV_16S, 1, 0, 1, 0, BORDER_DEFAULT);
	convertScaleAbs(grad_x, abs_grad_x);
	imshow("【效果图】X方向Scharr", abs_grad_x);
	//求y方向梯度
	Scharr(srcImage, grad_y, CV_16S, 0, 1, 1, 0, BORDER_DEFAULT);
	convertScaleAbs(grad_y, abs_grad_y);
	imshow("【效果图】Y方向Scharr", abs_grad_y);
	//合并梯度（近似）
	addWeighted(abs_grad_x, 0.5, abs_grad_y, 0.5, 0, dstImage);
	//显示效果图
	imshow("【效果图】合并梯度后Scharr", dstImage);

	waitKey(0);
	return 0;
}

运行结果：

7.1.6 综合示例

/*
效果：
	实现canny边缘检测，滑动条控制阈值
	实现Sobel边缘检测，滑动条控制内核大小
	实现Scharr滤波器
*/
#include<opencv2/opencv.hpp>
#include<opencv2/highgui/highgui.hpp>
#include<opencv2/imgproc/imgproc.hpp>
using namespace cv;
//全局变量
Mat g_srcImage, g_grayImage, 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;
//全局函数
static void on_Canny(int, void*);//canny边缘检测窗口滚动条回调函数
static void on_Sobel(int, void*);//Sobel边缘检测窗口滚动条回调函数
void Scharr();//封装了Scharr边缘检测相关代码的函数
int main()
{
	//改变console字体颜色
	system("color 2F");
	//载入原图
	g_srcImage = imread("girl.jpg");
	if (!g_srcImage.data)
	{
		printf("载入原图失败~！\n");
		return false;
	}
	//显示原图
	namedWindow("【原始图】");
	imshow("【原始图】", g_srcImage);
	//创建与src同类型和大小的矩阵
	g_dstImage.create(g_srcImage.size(), g_srcImage.type());
	//将原图转换为灰度图
	cvtColor(g_srcImage, g_grayImage, COLOR_BGR2GRAY);
	//创建显示窗口
	namedWindow("【效果图】Canny边缘检测", WINDOW_AUTOSIZE);
	namedWindow("【效果图】Sobel边缘检测", WINDOW_AUTOSIZE);
	namedWindow("【效果图】Scharr滤波器", WINDOW_AUTOSIZE);

	//创建滑动条
	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);
	//调用回调函数
	on_Canny(g_cannyLowThreshold, 0);
	on_Sobel(g_sobelKernelSize, 0);
	//调用封装了Scharr边缘检测代码的函数
	Scharr();
	
	while ((char)waitKey(1) != 27) {}
	return 0;
}
//canny边缘检测窗口滚动条回调函数
static void on_Canny(int, void*)
{
	//3*3内核降噪
	blur(g_grayImage, g_cannyDetectedEdges, Size(3, 3));
	//运行Canny算子
	Canny(g_cannyDetectedEdges, g_cannyDetectedEdges, g_cannyLowThreshold, g_cannyLowThreshold * 3, 3);
	//将g_dstImage内所有元素设为0
	g_dstImage = Scalar::all(0);
	//使用Canny算子输出的边缘图g_cannyDetectedEdges作为掩模，将原图拷贝到目标图
	g_srcImage.copyTo(g_dstImage, g_cannyDetectedEdges);
	//显示效果图
	imshow("【效果图】Canny边缘检测", g_dstImage);
}
static void on_Sobel(int, void*)
{
	//求X方向梯度
	Sobel(g_srcImage, g_sobelGradient_X, CV_16S, 1, 0, 2*g_sobelKernelSize+1, 1, 1, BORDER_DEFAULT);
	convertScaleAbs(g_sobelGradient_X, g_sobelAbsGradient_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);
}
void Scharr()
{
	//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);
	//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);
	//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);
}

运行效果：