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

2024-01-20 17:52

本文主要是介绍12- OpenCV:算子(Sobel和Laplance) 和Canny边缘检测 详解,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!

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 <opencv2/opencv.hpp>
#include <iostream>
#include <math.h>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<uchar>(row, col);int yg = ygrad.at<uchar>(row, col);int xy = xg + yg;xygrad.at<uchar>(row, col) = saturate_cast<uchar>(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 <opencv2/opencv.hpp>
#include <iostream>
#include <math.h>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 <opencv2/opencv.hpp>
#include <iostream>
#include <math.h>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:

这篇关于12- OpenCV:算子(Sobel和Laplance) 和Canny边缘检测 详解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/626822

相关文章

Python正则表达式语法及re模块中的常用函数详解

《Python正则表达式语法及re模块中的常用函数详解》这篇文章主要给大家介绍了关于Python正则表达式语法及re模块中常用函数的相关资料,正则表达式是一种强大的字符串处理工具,可以用于匹配、切分、... 目录概念、作用和步骤语法re模块中的常用函数总结 概念、作用和步骤概念: 本身也是一个字符串,其中

Nginx location匹配模式与规则详解

《Nginxlocation匹配模式与规则详解》:本文主要介绍Nginxlocation匹配模式与规则,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录一、环境二、匹配模式1. 精准模式2. 前缀模式(不继续匹配正则)3. 前缀模式(继续匹配正则)4. 正则模式(大

Android实现在线预览office文档的示例详解

《Android实现在线预览office文档的示例详解》在移动端展示在线Office文档(如Word、Excel、PPT)是一项常见需求,这篇文章为大家重点介绍了两种方案的实现方法,希望对大家有一定的... 目录一、项目概述二、相关技术知识三、实现思路3.1 方案一:WebView + Office Onl

Java实现优雅日期处理的方案详解

《Java实现优雅日期处理的方案详解》在我们的日常工作中,需要经常处理各种格式,各种类似的的日期或者时间,下面我们就来看看如何使用java处理这样的日期问题吧,感兴趣的小伙伴可以跟随小编一起学习一下... 目录前言一、日期的坑1.1 日期格式化陷阱1.2 时区转换二、优雅方案的进阶之路2.1 线程安全重构2

Java中的JSONObject详解

《Java中的JSONObject详解》:本文主要介绍Java中的JSONObject详解,需要的朋友可以参考下... Java中的jsONObject详解一、引言在Java开发中,处理JSON数据是一种常见的需求。JSONObject是处理JSON对象的一个非常有用的类,它提供了一系列的API来操作J

HTML5中的Microdata与历史记录管理详解

《HTML5中的Microdata与历史记录管理详解》Microdata作为HTML5新增的一个特性,它允许开发者在HTML文档中添加更多的语义信息,以便于搜索引擎和浏览器更好地理解页面内容,本文将探... 目录html5中的Mijscrodata与历史记录管理背景简介html5中的Microdata使用M

html5的响应式布局的方法示例详解

《html5的响应式布局的方法示例详解》:本文主要介绍了HTML5中使用媒体查询和Flexbox进行响应式布局的方法,简要介绍了CSSGrid布局的基础知识和如何实现自动换行的网格布局,详细内容请阅读本文,希望能对你有所帮助... 一 使用媒体查询响应式布局        使用的参数@media这是常用的

HTML5表格语法格式详解

《HTML5表格语法格式详解》在HTML语法中,表格主要通过table、tr和td3个标签构成,本文通过实例代码讲解HTML5表格语法格式,感兴趣的朋友一起看看吧... 目录一、表格1.表格语法格式2.表格属性 3.例子二、不规则表格1.跨行2.跨列3.例子一、表格在html语法中,表格主要通过< tab

Linux之计划任务和调度命令at/cron详解

《Linux之计划任务和调度命令at/cron详解》:本文主要介绍Linux之计划任务和调度命令at/cron的使用,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录linux计划任务和调度命令at/cron一、计划任务二、命令{at}介绍三、命令语法及功能 :at

Java使用SLF4J记录不同级别日志的示例详解

《Java使用SLF4J记录不同级别日志的示例详解》SLF4J是一个简单的日志门面,它允许在运行时选择不同的日志实现,这篇文章主要为大家详细介绍了如何使用SLF4J记录不同级别日志,感兴趣的可以了解下... 目录一、SLF4J简介二、添加依赖三、配置Logback四、记录不同级别的日志五、总结一、SLF4J