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

C#中读取XML文件的四种常用方法

C#中读取XML文件的四种常用方法

《C#中读取XML文件的四种常用方法》Xml是Internet环境中跨平台的,依赖于内容的技术,是当前处理结构化文档信息的有力工具,下面我们就来看看C#中读取XML文件的方法都有哪些吧... 目录XML简介格式C#读取XML文件方法使用XmlDocument使用XmlTextReader/XmlTextWr
阅读更多...
Python如何实现PDF隐私信息检测

Python如何实现PDF隐私信息检测

《Python如何实现PDF隐私信息检测》随着越来越多的个人信息以电子形式存储和传输,确保这些信息的安全至关重要,本文将介绍如何使用Python检测PDF文件中的隐私信息,需要的可以参考下... 目录项目背景技术栈代码解析功能说明运行结php果在当今，数据隐私保护变得尤为重要。随着越来越多的个人信息以电子形
阅读更多...
CSS弹性布局常用设置方式

CSS弹性布局常用设置方式

《CSS弹性布局常用设置方式》文章总结了CSS布局与样式的常用属性和技巧,包括视口单位、弹性盒子布局、浮动元素、背景和边框样式、文本和阴影效果、溢出隐藏、定位以及背景渐变等,通过这些技巧,可以实现复杂... 一、单位元素vm 1vm 为视口的1%vh 视口高的1%vmin 参照长边vmax 参照长边re
阅读更多...
Python中操作Redis的常用方法小结

Python中操作Redis的常用方法小结

《Python中操作Redis的常用方法小结》这篇文章主要为大家详细介绍了Python中操作Redis的常用方法,文中的示例代码简洁易懂,具有一定的借鉴价值,有需要的小伙伴可以了解一下... 目录安装Redis开启、关闭Redisredis数据结构redis-cli操作安装redis-py数据库连接和释放增
阅读更多...
一文详解Python中数据清洗与处理的常用方法

一文详解Python中数据清洗与处理的常用方法

《一文详解Python中数据清洗与处理的常用方法》在数据处理与分析过程中,缺失值、重复值、异常值等问题是常见的挑战,本文总结了多种数据清洗与处理方法,文中的示例代码简洁易懂,有需要的小伙伴可以参考下... 目录缺失值处理重复值处理异常值处理数据类型转换文本清洗数据分组统计数据分箱数据标准化在数据处理与分析过
阅读更多...
Java中Object类的常用方法小结

Java中Object类的常用方法小结

《Java中Object类的常用方法小结》JavaObject类是所有类的父类,位于java.lang包中,本文为大家整理了一些Object类的常用方法,感兴趣的小伙伴可以跟随小编一起学习一下... 目录1. public boolean equals(Object obj)2. public int ha
阅读更多...
SpringBoot使用Apache Tika检测敏感信息

SpringBoot使用Apache Tika检测敏感信息

《SpringBoot使用ApacheTika检测敏感信息》ApacheTika是一个功能强大的内容分析工具,它能够从多种文件格式中提取文本、元数据以及其他结构化信息,下面我们来看看如何使用Ap... 目录Tika 主要特性1. 多格式支持2. 自动文件类型检测3. 文本和元数据提取4. 支持 OCR（光学
阅读更多...
Java 字符数组转字符串的常用方法

Java 字符数组转字符串的常用方法

《Java字符数组转字符串的常用方法》文章总结了在Java中将字符数组转换为字符串的几种常用方法,包括使用String构造函数、String.valueOf()方法、StringBuilder以及A... 目录1. 使用String构造函数1.1 基本转换方法1.2 注意事项2. 使用String.valu
阅读更多...
Java中的Opencv简介与开发环境部署方法

Java中的Opencv简介与开发环境部署方法

《Java中的Opencv简介与开发环境部署方法》OpenCV是一个开源的计算机视觉和图像处理库,提供了丰富的图像处理算法和工具,它支持多种图像处理和计算机视觉算法,可以用于物体识别与跟踪、图像分割与... 目录1.Opencv简介Opencv的应用2.Java使用OpenCV进行图像操作opencv安装j
阅读更多...
VUE动态绑定class类的三种常用方式及适用场景详解

VUE动态绑定class类的三种常用方式及适用场景详解

《VUE动态绑定class类的三种常用方式及适用场景详解》文章介绍了在实际开发中动态绑定class的三种常见情况及其解决方案,包括根据不同的返回值渲染不同的class样式、给模块添加基础样式以及根据设... 目录前言1.动态选择class样式（对象添加：情景一）2.动态添加一个class样式（字符串添加：情
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2