OpenCV 笔记(9)：常用的边缘检测算子—— Roberts、Prewitt、Sobel

2023-12-04 20:12
文章标签 opencv 笔记 检测 常用 算子 边缘 sobel roberts prewitt

本文主要是介绍OpenCV 笔记(9)：常用的边缘检测算子—— Roberts、Prewitt、Sobel，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

在本文开始之前，我们先了解一下算子的概念。

算子英语是 Operator，它是一个函数空间到函数空间上的映射 O：X→X。广义上的算子可以推广到任何空间。

函数是从数到数的映射。

泛函是从函数到数的映射。

算子是从函数到函数的映射。

算子不等同于函数，也不等同于算法。算法是更为广泛的概念，它包含了算子。

Part11. Roberts 算子

我们知道用 L1 范数来近似梯度的幅度：

其中，

在 x 方向，由偏导公式可知，其实就是相邻两个像素的值相减。同理，y 方向也是如此。因此可以得到如下算子。

24a83f231c07ef2874138519558abc1d.jpeg
图像的垂直和水平梯度.png

类似地，还有对角线方向。对于对角线方向梯度，公式和算子如下：

Roberts 卷积核：

38d2b8e7060c65446e3d510bce54fd0e.jpeg
Roberts 卷积核.png

我们可以实现一个基于 roberts 算子的边缘检测

#include <opencv2/opencv.hpp>
#include <opencv2/core.hpp>
#include <opencv2/highgui.hpp>
#include <opencv2/imgproc.hpp>
using namespace std;
using namespace cv;void roberts(Mat& input, Mat& output, Mat& kernel_x, Mat& kernel_y)
{int height = input.rows;int width = input.cols;int height_x = kernel_x.rows;int width_x = kernel_x.cols;int height_y = kernel_y.rows;int width_y = kernel_y.cols;for (int row = 1; row < height - 1; row++){for (int col = 1; col < width - 1; col++){float G_X = 0;for (int h = 0; h < height_x; h++){for (int w = 0; w < width_x; w++){G_X += input.at<uchar>(row + h, col + w) * kernel_x.at<float>(h, w);}}float G_Y = 0;for (int h = 0; h < height_y; h++){for (int w = 0; w < width_y; w++){G_Y += input.at<uchar>(row + h, col + w) * kernel_y.at<float>(h, w);}}output.at<uchar>(row, col) = saturate_cast<uchar>(cv::abs(G_X) + cv::abs(G_Y));}}
}int main(int argc,char *argv[])
{Mat src = imread(".../street.jpg");imshow("src",src);Mat gray;cv::cvtColor(src, gray, COLOR_BGR2GRAY);Mat kernelRoX = (cv::Mat_<float>(2,2) << -1,0,0,1);Mat kernelRoY = (cv::Mat_<float>(2,2) << 0,-1,1,0);Mat dst;dst.create(gray.rows,gray.cols,gray.type());roberts(gray, dst, kernelRoX, kernelRoY);imshow("Roberts",dst);waitKey(0);return 0;
}
6244459e2870d499772b2eaa003a8deb.jpeg
自定义实现的roberts边缘检测.png

也可以用 OpenCV 自定义的滤波器 filter2D() 函数，来实现 Roberts 边缘检测：

int main(int argc,char *argv[])
{Mat src = imread(".../street.jpg");imshow("src",src);Mat gray;cv::cvtColor(src, gray, COLOR_BGR2GRAY);Mat kernelRoX = (cv::Mat_<float>(2,2) << -1,0,0,1);Mat kernelRoY = (cv::Mat_<float>(2,2) << 0,-1,1,0);Mat dstRoX;Mat dstRoY;cv::filter2D(gray,dstRoX,-1,kernelRoX);cv::filter2D(gray,dstRoY,-1,kernelRoY);imshow("Roberts X", dstRoX);imshow("Roberts Y", dstRoY);dstRoX = cv::abs(dstRoX);dstRoY = cv::abs(dstRoY);Mat dst;add(dstRoX,dstRoY,dst);imshow("Roberts", dst);waitKey(0);return 0;
}
e5d6b0f270f3089786da23086afb61d2.jpeg
roberts x和y方向.png
e20350fb7cd778bf78a23ffbd57d1a1b.jpeg
roberts.png

Part22. Prewitt 算子

在下图的 3×3 区域，Roberts 算子利用和，实现对角差分。

40ab590c78bdcb4224ef2c8e4c4647b1.jpeg
3*3模版.png

但是 2×2 大小的核概念上很简单，但在计算边缘方向时，它们不如中心对称的核有用，中心对称核的最小尺寸为 3×3。

Prewitt 算子的设计思想：真正的边界点在水平方向和垂直方向上的相邻点应该也同样为边界点，因此以更大的边缘检测滤波器，考虑周围更多的点会使得边缘检测更准确。

Prewitt 卷积核：

0b53749d7610fcfd3de5eeec3bd9c4c7.jpeg
Prewitt卷积核.png

Prewitt 算子如下：

#include <opencv2/opencv.hpp>
#include <opencv2/core.hpp>
#include <opencv2/highgui.hpp>
#include <opencv2/imgproc.hpp>
using namespace std;
using namespace cv;void prewitt(Mat& input, Mat& output, Mat& kernel_x, Mat& kernel_y)
{int height = input.rows;int width = input.cols;int height_x = kernel_x.rows;int width_x = kernel_x.cols;int height_y = kernel_y.rows;int width_y = kernel_y.cols;for (int row = 1; row < height - 1; row++){for (int col = 1; col < width - 1; col++){float G_X = 0;for (int h = 0; h < height_x; h++){for (int w = 0; w < width_x; w++){G_X += input.at<uchar>(row + h - 1, col + w - 1) * kernel_x.at<float>(h, w);}}float G_Y = 0;for (int h = 0; h < height_y; h++){for (int w = 0; w < width_y; w++){G_Y += input.at<uchar>(row + h - 1, col + w - 1) * kernel_y.at<float>(h, w);}}output.at<uchar>(row, col) = saturate_cast<uchar>(cv::abs(G_X) + cv::abs(G_Y));}}
}int main(int argc,char *argv[])
{Mat src = imread(".../street.jpg");imshow("src",src);Mat gray;cv::cvtColor(src, gray, COLOR_BGR2GRAY);Mat kernelPrewittX = (cv::Mat_<float>(3,3) << -1,0,1,-1,0,1,-1,0,1);Mat kernelPrewittY = (cv::Mat_<float>(3,3) << -1,-1,-1,0,0,0,1,1,1);Mat dst;dst.create(gray.rows,gray.cols,gray.type());prewitt(gray, dst, kernelPrewittX, kernelPrewittY);imshow("Prewitt", dst);waitKey(0);return 0;
}
2f50418c2d10dba43af36ee98864a6a5.jpeg
自定义实现的prewitt边缘检测.png

用 OpenCV 自定义的滤波器 filter2D() 函数，来实现 Prewitt 边缘检测：

int main(int argc,char *argv[])
{Mat src = imread(".../street.jpg");imshow("src",src);Mat gray;cv::cvtColor(src, gray, COLOR_BGR2GRAY);Mat kernelPrewittX = (cv::Mat_<float>(3,3) << -1,0,1,-1,0,1,-1,0,1);Mat kernelPrewittY = (cv::Mat_<float>(3,3) << -1,-1,-1,0,0,0,1,1,1);Mat dstPrewittX;Mat dstPrewittY;cv::filter2D(gray,dstPrewittX,-1,kernelPrewittX);cv::filter2D(gray,dstPrewittY,-1,kernelPrewittY);imshow("Prewitt X", dstPrewittX);imshow("Prewitt Y", dstPrewittY);dstPrewittX = cv::abs(dstPrewittX);dstPrewittY = cv::abs(dstPrewittY);Mat dst;add(dstPrewittX,dstPrewittY,dst);imshow("Prewitt", dst);waitKey(0);return 0;
}

Prewitt X 检测垂直的边界，Prewitt Y 检测水平的边界。

2b8591cbb72ca96e54744d25e03cb6e1.jpeg
prewitt x 和 y方向

下图展示的是联合梯度。

a5799e1881f08912f80d5ad45432bdb8.jpeg
prewitt.png

Part33. Sobel 算子

Roberts 算子按照对角线两个方向的梯度确定边缘点，Prewitt 算子按照水平和垂直方向的梯度确定边缘点。

上面我们通过使用 cv::filter2D() 函数来实现这2种边缘检测，都展示了其对两个方向对边缘的检测的效果图，我们发现不同方向梯度的边缘检测效果各有特点。

融合多种方向的梯度，能够有效提升边缘检测效果。Sobel 算子考虑了水平、垂直和两个对角，共计4个方向对的梯度加权求和。

e9a38a142bb9b9da32bbc8145aa3a324.jpeg
Sobel各个方向的梯度.png

Sobel 的作者定义了一个给定邻域方向的梯度矢量 g 的幅度为：

像素灰度差分像素距离

其中，像素距离使用曼哈顿距离进行计算。

之前在第六篇介绍过曼哈顿距离，表示从像素 p 向像素 q 出发，每次能走的点必须是在当前像素点的 4 邻域中。一步一步走到 q 点后，一共经过的像素点数就是曼哈顿距离。

矢量 g 的方向可以通过中心像素 z5 相关邻域的单位矢量给出，这里的邻域是对称出现的，即四个方向对：(z1,z9),(z2,z8),(z3,z7),(z6,z4)。沿着4个方向对上求其梯度矢量和，可以得到像素 z5 的平均梯度估计。

公式中 4个单位向量 [1, 1]，[-1, 1]，[0, 1], [1, 0] 控制差分的方向，系数 1/4, 1/2 为距离反比权重。例如 z1 到 z9 的曼哈顿距离是 4，z2 到 z8 的曼哈顿距离是 2。

对于上述公式，为了避免具有小数的乘除计算，因此对 G 乘上缩放因子 4

可得，Sobel 算子如下：

Sobel 卷积核：

3159de7284f871c4b508b097b0b5d83e.jpeg
Sobel卷积核.png 
#include <opencv2/opencv.hpp>
#include <opencv2/core.hpp>
#include <opencv2/highgui.hpp>
#include <opencv2/imgproc.hpp>
using namespace std;using namespace cv;void sobel(Mat& input, Mat& output, Mat& kernel_x, Mat& kernel_y)
{int height = input.rows;int width = input.cols;int height_x = kernel_x.rows;int width_x = kernel_x.cols;int height_y = kernel_y.rows;int width_y = kernel_y.cols;for (int row = 1; row < height - 1; row++){for (int col = 1; col < width - 1; col++){float G_X = 0;for (int h = 0; h < height_x; h++){for (int w = 0; w < width_x; w++){G_X += input.at<uchar>(row + h - 1, col + w - 1) * kernel_x.at<float>(h, w);}}float G_Y = 0;for (int h = 0; h < height_y; h++){for (int w = 0; w < width_y; w++){G_Y += input.at<uchar>(row + h - 1, col + w - 1) * kernel_y.at<float>(h, w);}}output.at<uchar>(row, col) = saturate_cast<uchar>(cv::abs(G_X) + cv::abs(G_Y));}}
}int main(int argc,char *argv[])
{Mat src = imread(".../street.jpg");imshow("src",src);Mat gray;cv::cvtColor(src, gray, COLOR_BGR2GRAY);Mat kernelSobelX = (cv::Mat_<float>(3,3) << -1,0,1,-2,0,2,-1,0,1);Mat kernelSobelY = (cv::Mat_<float>(3,3) << -1,-2,-1,0,0,0,1,2,1);Mat dst;dst.create(gray.rows,gray.cols,gray.type());sobel(gray, dst, kernelSobelX, kernelSobelY);imshow("Sobel", dst);waitKey(0);return 0;
}
8dee28502649386d80a5ba852e9cae54.jpeg
自定义实现的sobel边缘检测.png

用 OpenCV 自带的 Sobel() 函数来实现其边缘检测

int main(int argc,char *argv[])
{Mat src = imread(".../street.jpg");imshow("src",src);Mat gray;cv::cvtColor(src, gray, COLOR_BGR2GRAY);Mat dstSobelX;Mat dstSobelY;Sobel(gray, dstSobelX, CV_16S, 1, 0, 3);Sobel(gray, dstSobelY, CV_16S, 0, 1, 3);convertScaleAbs(dstSobelX, dstSobelX);convertScaleAbs(dstSobelY, dstSobelY);imshow("Sobel X", dstSobelX);imshow("Sobel Y", dstSobelY);Mat dst;add(dstSobelX,dstSobelX,dst);imshow("Sobel", dst);waitKey(0);return 0;
}
b89bc2c7b61e2c6d9a1ea6c1d07a5d2a.jpeg
sobel x和y方向.png
ecc0646d592f5d9d31f3762177a69040.jpeg
sobel.png

OpenCV 提供的Sobel() 函数，稍微解释一下几个参数的含义

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 );

第三个参数 ddepth：表示输出梯度的数据类型

  • 若 src.depth() = CV_8U，则 ddepth =-1/CV_16S/CV_32F/CV_64F

  • 若 src.depth() = CV_16U/CV_16S，则 ddepth =-1/CV_32F/CV_64F

  • 若 src.depth() = CV_32F，则 ddepth =-1/CV_32F/CV_64F

  • 若 src.depth() = CV_64F，则 ddepth = -1/CV_64F

第四个参数 dx：导数在 x 轴方向的阶数。dx=1, dy=0 表示对 x 方向计算梯度。

第五个参数 dy：导数在 y 轴方向的阶数。dx=0, dy=1 表示对 y 方向计算梯度。

第六个参数 ksize：Sobel 卷积核的大小，使用 3、5、7、9、11 等等。

Part44.  总结

在实际的图像分割中，我们往往只用一阶、二阶导数，他们都各有优势。 Roberts、Prewitt、Sobel 算子是一阶导数的边缘算子，通过卷积核与图像的每个像素点做卷积和运算，然后选取合适的阈值来提取图像的边缘。本文分别用这些算子对同一幅图像进行边缘检测，可以看到不同的效果，等到介绍完所有常用的算子后会对他们做一个总结。

另外，我们之前介绍过  Laplace 算子，它是二阶导数算子，后面的文章还会继续介绍二阶导数的边缘算子。

【Java与Android技术栈】公众号

关注 Java/Kotlin 服务端、桌面端 、Android 、机器学习、端侧智能

更多精彩内容请关注：

这篇关于OpenCV 笔记(9)：常用的边缘检测算子—— Roberts、Prewitt、Sobel的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/454766。

相关文章

springboot项目中常用的工具类和api详解

springboot项目中常用的工具类和api详解

《springboot项目中常用的工具类和api详解》在SpringBoot项目中,开发者通常会依赖一些工具类和API来简化开发、提高效率,以下是一些常用的工具类及其典型应用场景,涵盖Spring原生... 目录1. Spring Framework 自带工具类(1) StringUtils(2) Coll
阅读更多...
在PyCharm中安装PyTorch、torchvision和OpenCV详解

在PyCharm中安装PyTorch、torchvision和OpenCV详解

《在PyCharm中安装PyTorch、torchvision和OpenCV详解》：本文主要介绍在PyCharm中安装PyTorch、torchvision和OpenCV方式,具有很好的参考价值,... 目录PyCharm安装PyTorch、torchvision和OpenCV安装python安装PyTor
阅读更多...
openCV中KNN算法的实现

openCV中KNN算法的实现

《openCV中KNN算法的实现》KNN算法是一种简单且常用的分类算法,本文主要介绍了openCV中KNN算法的实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的... 目录KNN算法流程使用OpenCV实现KNNOpenCV 是一个开源的跨平台计算机视觉库，它提供了各
阅读更多...
OpenCV图像形态学的实现

OpenCV图像形态学的实现

《OpenCV图像形态学的实现》本文主要介绍了OpenCV图像形态学的实现,包括腐蚀、膨胀、开运算、闭运算、梯度运算、顶帽运算和黑帽运算,文中通过示例代码介绍的非常详细,需要的朋友们下面随着小编来一起... 目录一、图像形态学简介二、腐蚀（Erosion）1. 原理2. OpenCV 实现三、膨胀China编程（
阅读更多...
利用Python快速搭建Markdown笔记发布系统

利用Python快速搭建Markdown笔记发布系统

《利用Python快速搭建Markdown笔记发布系统》这篇文章主要为大家详细介绍了使用Python生态的成熟工具,在30分钟内搭建一个支持Markdown渲染、分类标签、全文搜索的私有化知识发布系统... 目录引言：为什么要自建知识博客一、技术选型：极简主义开发栈二、系统架构设计三、核心代码实现（分步解析
阅读更多...
Java String字符串的常用使用方法

Java String字符串的常用使用方法

《JavaString字符串的常用使用方法》String是JDK提供的一个类,是引用类型,并不是基本的数据类型,String用于字符串操作,在之前学习c语言的时候,对于一些字符串,会初始化字符数组表... 目录一、什么是String二、如何定义一个String1. 用双引号定义2. 通过构造函数定义三、St
阅读更多...
opencv图像处理之指纹验证的实现

opencv图像处理之指纹验证的实现

《opencv图像处理之指纹验证的实现》本文主要介绍了opencv图像处理之指纹验证的实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学... 目录一、简介二、具体案例实现1. 图像显示函数2. 指纹验证函数3. 主函数4、运行结果三、总结一、
阅读更多...
python+opencv处理颜色之将目标颜色转换实例代码

python+opencv处理颜色之将目标颜色转换实例代码

《python+opencv处理颜色之将目标颜色转换实例代码》OpenCV是一个的跨平台计算机视觉库,可以运行在Linux、Windows和MacOS操作系统上,：本文主要介绍python+ope... 目录下面是代码+ 效果 + 解释转HSV： 关于颜色总是要转HSV的掩膜再标注总结 目标：将红色的部分滤
阅读更多...
Linux上设置Ollama服务配置(常用环境变量)

Linux上设置Ollama服务配置(常用环境变量)

《Linux上设置Ollama服务配置(常用环境变量)》本文主要介绍了Linux上设置Ollama服务配置(常用环境变量),Ollama提供了多种环境变量供配置,如调试模式、模型目录等,下面就来介绍一... 目录在 linux 上设置环境变量配置 OllamPOgxSRJfa手动安装安装特定版本查看日志在
阅读更多...
Java常用注解扩展对比举例详解

Java常用注解扩展对比举例详解

《Java常用注解扩展对比举例详解》：本文主要介绍Java常用注解扩展对比的相关资料,提供了丰富的代码示例,并总结了最佳实践建议,帮助开发者更好地理解和应用这些注解,需要的朋友可以参考下... 目录一、@Controller 与 @RestController 对比二、使用 @Data 与 不使用 @Dat
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2