边缘检测

边缘检测

简介

• 边缘检测是一种图像处理技术，用于识别对象的边界（边缘）或图像中的区域

• 图像的边缘指的是图像中像素灰度值突然发生变化的区域
  

• 图像的边缘有可能是由高像素值变为低像素值，也有可能是由低像素值变成高像素值，因此通过计算得到的边缘信息会有正数值和负数值。为了在图像中同时表示出这两种边缘信息，需要将计算的结果求取绝对值。OpenCV提供了converScaleAbs()函数用于计算矩阵中所有数据的绝对值

converScaleAbs(src, dst)

• 另外，由于求取边缘的结果可能会有负数，不在原始图像的CV_8U的数据类型内，因此滤波后的图像数据类型不要用 “-1” ，而应该改为CV_16S
  以下所有代码均用此图作为示例

Sobel算子

简介

• Sobel算子通过寻找图像一阶导数中的最大值来检测边界，然后利用计算结果估计边缘的局部方向，通常采用梯度的方向，并利用此方向找到局部梯度模的最大值

• Sobel算子在实际应用中效率比Canny算法要高，但是边缘不如Canny检测的准确，但是很多实际应用的场合，Sobel算子却是首选
• Sobel算子是高斯平滑与微分操作的结合体，所以抗噪声能力很强，用途较多，尤其是效率要求较高，而对细纹理不太关心的时候

实现

以下是 OpenCV 4 应用Sobel边缘检测的语法

Sobel(src, dst, ddepth, dx, dy, ksize)

• src：待提取边缘的图像

• dst：输出图像，与输入图像具有相同的尺寸和通道数，数据类型由第三个参数 ddepth 控制

• ddepth：输出图像的数据类型（深度），根据输入图像数据类型的不同拥有不同的取值范围，具体如下表

  输入图像数据类型	输出图像可选数据类型
  CV_8U	-1 / CV_16S / CV_32F / CV_64F
  CV_16U / CV_16S	-1 / CV_32F / CV_64F
  CV_12F	-1 / CV_32F / CV_64F
  CV_64F	-1 / CV_64F

  • 当赋值为-1时，输出图像的数据类型自动选择

• dx：X方向的差分阶数。如果dx = 1和dy = 0，我们提取X方向的边缘信息

• dy：Y方向的差分阶数。如果两者dx = 1和dy = 1，我们提取两个方向也就是整幅图像的边缘信息

• ksize：Sobel算子的尺寸，必须是1、3、5或7，默认为3

补：任意一个方向的差分阶数都需要小于算子的尺寸。特殊情况是，当ksize = 1时，任意一个方向的阶数都需要小于3。在一般情况下，当差分阶数的最大值为1时，算子尺寸选3；当差分阶数的最大值为2时，算子尺寸选5；当差分阶数最大值为3时，算子尺寸选7

注，由于提取边缘信息时有可能出现负数，因此不要使用CV_8U类型的输出图像

示例代码如下：

#include <opencv2/opencv.hpp>
#include <iostream>
 
using namespace cv;
using namespace std;
 
int main()
{
    // 读取图像，黑白图像边缘检测结果较为明显
    Mat img = imread("/home/kslas/OpenCV/edge.jpg", IMREAD_ANYCOLOR);
    if (img.empty())
    {
        cout << "Could not read the image" << endl;
        return -1;
    }
 
    // X方向一阶边缘
    Mat resultX;
    Sobel(img, resultX, CV_16S, 2, 0, 1);
    convertScaleAbs(resultX, resultX);
 
    // Y方向一阶边缘
    Mat resultY;
    Sobel(img, resultY, CV_16S, 0, 1, 3);
    convertScaleAbs(resultY, resultY);
 
    // 整幅图像的一阶边缘
    Mat resultXY = resultX + resultY;
 
    // 显示图像
    imshow("resultX", resultX);
    imshow("resultY", resultY);
    imshow("resultXY", resultXY);
    waitKey(0);
    destroyAllWindows();
    return 0;
}

运行结果：

Laplacian算子

简介

• Laplacian算子通过寻找图像二阶导数零穿越来寻找边界

• Laplacian算子具有各方向同性的特点，能够对任意方向的边缘进行提取，具有无方向性的优点
• Laplacian算子是一种二阶导数算子，对噪声比较敏感，因此常需要配合高斯滤波一起使用

实现

以下是 OpenCV 4 应用Laplacian边缘检测的语法

Laplacian(src, dst, ddepth, ksize)

• scr：输入原始图像，可以是灰度图像或彩色图像
• dst：输出图像，与输入图像具有相同的尺寸和通道数
• ddepth：同上
• ksize：滤波器的大小，必须为正奇数

注，由于提取边缘信息时有可能出现负数，因此不要使用CV_8U类型的输出图像，否则会使得图像边缘提取不准确

示例代码如下：

#include <opencv2/opencv.hpp>
#include <iostream>
 
using namespace cv;
using namespace std;
 
int main()
{
    // 读取图像，黑白图像边缘检测结果较为明显
    Mat img = imread("/home/kslas/OpenCV/edge.jpg", IMREAD_ANYCOLOR);
    if (img.empty())
    {
        cout << "Could not read the image" << endl;
        return -1;
    }
 
    // 未进行滤波提取Laplacian边缘
    Mat result;
    Laplacian(img, result, CV_16S, 3);
    convertScaleAbs(result, result);
 
    // 滤波后提取Laplacian边缘
    Mat result_g, result_G;
    GaussianBlur(img ,result_g, Size(3, 3), 5, 0);  // 高斯滤波
    Laplacian(result_g, result_G, CV_16S, 3);
    convertScaleAbs(result_G, result_G);
 
    // 显示图像
    imshow("result", result);
    imshow("result_G", result_G);
    waitKey(0);
    destroyAllWindows();
    return 0;
}

运行结果：

Canny算法

简介

• Canny算法是目前最优越的边缘检测算法之一

• Canny算法不容易受到噪声的影响，能够识别图像中的弱边缘和强边缘，并结合强弱边缘的位置关系，综合给出图像整体的边缘信息

• 该方法的检测过程可分为以下5个步骤：

  • 使用高斯滤波平滑图像
  • 计算图像中每个像素的梯度方向和幅值
  • 应用非极大值抑制算法消除边缘检测带来的杂散相应
  • 应用双阈值法划分强边缘和弱边缘
  • 消除孤立的弱边缘

实现

OpenCV 4 提供了Canny()函数用于实现Canny算法检测图像中的边缘

Canny(image, edges, threshold1, threshold2, apertureSize, L2gradient)

• image：输入图像，必须是CV_8U的单通道或者三通道图像
• edges：输出图像，与输入图像具有相同尺寸的单通道图像，且数据类型为CV_8U
• threshold1：第一个滞后阈值
• threshold2：第二个滞后阈值
• apertureSize：Sobel算子的直径，默认为3
• L2gradient：计算图像梯度幅度方法的标志，默认为false

补1：在一般情况下，较大阈值与较小阈值的比值在 2 : 1 到 3 : 1 之间

补2：较高的阈值会降低噪声信息对图像提取边缘结果的影响，但同时也会减少结果中的边缘信息

补3：高斯模糊在边缘纹理较多的区域能减少边缘检测的结果，但对纹理较少的区域影响较小

示例代码：

#include <opencv2/opencv.hpp>
#include <iostream>
 
using namespace cv;
using namespace std;
 
int main()
{
    // 读取图像，黑白图像边缘检测结果较为明显
    Mat img = imread("/home/kslas/OpenCV/edge.jpg", IMREAD_ANYCOLOR);
    if (img.empty())
    {
        cout << "Could not read the image" << endl;
        return -1;
    }
 
    // 高阈值检测图像边缘
    Mat resultHigh;
    Canny(img, resultHigh, 100, 200, 3);
 
    // 低阈值检测图像边缘
    Mat resultLow;
    Canny(img, resultLow, 20, 40, 3);
 
    // 高斯模糊后检测图像边缘
    Mat resultG, resultGC;
    GaussianBlur(img, resultG, Size(3, 3), 5);
    Canny(resultG, resultGC, 100, 200, 3);
 
    // 显示图像
    imshow("resultHigh", resultHigh);
    imshow("resultLow", resultLow);
    imshow("resultG", resultGC);
    waitKey(0);
    destroyAllWindows();
    return 0;
}

运行结果：