OpenCV学习笔记(八) 边缘、线与圆的检测

边缘检测

对图像进行边缘检测之前,一般都需要先进行降噪(可调用GaussianBlur函数)。

Sobel算子 与 Scharr算子

都是一个离散微分算子 (discrete differentiation operator),用来计算图像灰度函数的近似梯度。结合了高斯平滑和微分求导。Sobel算子与Scharr算子的内核不同,Sobel内核产生误差比较明显,Scharr更为准确一些。

Sobel算子的计算步骤:

  1. 在两个方向求导:将原图分别与两个3x3的内核进行卷积计算,得到Gx与Gy
  2. 在图像的每一点,结合Gx与Gy求出近似 梯度 :

G = \sqrt{ G_{x}^{2} + G_{y}^{2} } 或者 G = |G_{x}| + |G_{y}| (简单公式)

/// 求 X方向梯度
//Scharr( src_gray, grad_x, ddepth, 1, 0, scale, delta, BORDER_DEFAULT );
Sobel( src_gray, grad_x, ddepth, 1, 0, 3, scale, delta, BORDER_DEFAULT );
convertScaleAbs( grad_x, abs_grad_x );

/// 求Y方向梯度
//Scharr( src_gray, grad_y, ddepth, 0, 1, scale, delta, BORDER_DEFAULT );
Sobel( src_gray, grad_y, ddepth, 0, 1, 3, scale, delta, BORDER_DEFAULT );
convertScaleAbs( grad_y, abs_grad_y );

/// 合并梯度(近似)
addWeighted( abs_grad_x, 0.5, abs_grad_y, 0.5, 0, grad );
  • src_gray: 在本例中为输入图像,元素类型 CV_8U
  • grad_x/grad_y: 输出图像.
  • ddepth: 输出图像的深度,设定为 CV_16S 避免外溢。
  • x_orderx 方向求导的阶数。
  • y_ordery 方向求导的阶数。

Laplace算子

 计算的是二阶导数。由于 Laplacian使用了图像梯度,它内部调用了 Sobel 算子。Laplacian 算子 的定义:

Laplace(f) = \dfrac{\partial^{2} f}{\partial x^{2}} + \dfrac{\partial^{2} f}{\partial y^{2}}

Laplacian( src_gray, dst, ddepth, kernel_size, scale, delta, BORDER_DEFAULT );
convertScaleAbs( dst, abs_dst );
  • src_gray: 输入图像。
  • dst: 输出图像
  • ddepth: 输出图像的深度。 因为输入图像的深度是 CV_8U ,这里我们必须定义 ddepth = CV_16S 以避免外溢。
  • kernel_size: 内部调用的 Sobel算子的内核大小,此例中设置为3。
  • scaledelta 和 BORDER_DEFAULT: 使用默认值。

Canny边缘检测

被很多人认为是边缘检测的 最优算法。在Sober算子步骤后添加以下步骤:

  • 非极大值 抑制。 这一步排除非边缘像素, 仅仅保留了一些细线条(候选边缘)。
  • 滞后阈值: 最后一步,Canny 使用了滞后阈值,滞后阈值需要两个阈值(高阈值和低阈值):
    1. 如果某一像素位置的幅值超过  阈值, 该像素被保留为边缘像素。
    2. 如果某一像素位置的幅值小于  阈值, 该像素被排除。
    3. 如果某一像素位置的幅值在两个阈值之间,该像素仅仅在连接到一个高于  阈值的像素时被保留。
Canny( origin_gray_image, detected_edges, lowThreshold, lowThreshold*ratio, kernel_size );

具体使用方法见此处范例

Hough变换

Hough线变换

执行Hough线变换之前需执行高斯模糊(降噪)+Canny边缘检测。Hough线变换以Canny边缘检测的输出(二值图)为输入。

一条直线可由参数 (r,\theta) 极径和极角表示:r_{\theta} = x_{0} \cdot \cos \theta  + y_{0} \cdot \sin \theta

当x0与y0定下来之后,rθ随着θ变化而变化,可在平面 \theta - r 中画出相应曲线(是一条正弦曲线),一对(x0, y0)确定一条曲线。(x1,y1)与(x2, y2)相交于(r0, \theta0)表示以这两个点作直线可由(r0, \theta0)表示:

y = \left ( -\dfrac{\cos \theta}{\sin \theta} \right ) x + \left ( \dfrac{r}{\sin \theta} \right )

 

一条直线能够通过在平面 \theta - r 寻找交于一点的曲线数量来 检测. 越多曲线交于一点也就意味着这个交点表示的直线由更多的点组成. 一般来说我们可以通过设置直线上点的 阈值 来定义多少条曲线交于一点我们才认为 检测 到了一条直线.

OpenCV实现了以下两种霍夫线变换:

 

  • 标准Hough线变换 HoughLines :提供一组参数对 (\theta, r_{\theta}) 的集合来表示检测到的直线
  • 统计概率Hough线变换 HoughLinesP :效率更高的Hough变换,输出检测到的直线的端点 (x_{0}, y_{0}, x_{1}, y_{1})
// 标准Hough线变换
vector<Vec2f> lines;
HoughLines(dst, lines, 1, CV_PI/180, 100, 0, 0 );
// 画出检测的直线
for( size_t i = 0; i < lines.size(); i++ )
{
  float rho = lines[i][0], theta = lines[i][1];
  Point pt1, pt2;
  double a = cos(theta), b = sin(theta);
  double x0 = a*rho, y0 = b*rho;
  pt1.x = cvRound(x0 + 1000*(-b));
  pt1.y = cvRound(y0 + 1000*(a));
  pt2.x = cvRound(x0 - 1000*(-b));
  pt2.y = cvRound(y0 - 1000*(a));
  line( cdst, pt1, pt2, Scalar(0,0,255), 3, CV_AA);
}

// 统计Hough线变换
vector<Vec4i> lines;
HoughLinesP(dst, lines, 1, CV_PI/180, 50, 50, 10 );
  • dst: 边缘检测的输出图像. 它应该是个灰度图 (但事实上是个二值化图)
  • lines: 储存着检测到的直线的参数对 (r,\theta) 的容器
  • rho : 参数极径 r 以像素值为单位的分辨率. 我们使用 1 像素.
  • theta: 参数极角 \theta 以弧度为单位的分辨率. 我们使用 1度 (即CV_PI/180)
  • threshold: 要”检测” 一条直线所需最少的的曲线交点
  • 标准Hough变换:
  • srn and stn: 参数默认为0. 查缺OpenCV参考文献来获取更多信息.
  • 统计Hough变换:
  • minLinLength: 能组成一条直线的最少点的数量. 点数量不足的直线将被抛弃.
  • maxLineGap: 能被认为在一条直线上的亮点的最大距离.

Hough圆变换

原理与线变换相似,在三维的“圆心点x, y还有半径r”空间中找交点。

由于在三维空间的计算量大大增加的原因, 标准霍夫圆变化很难被应用到实际中,OpenCV实现的是一个比标准霍夫圆变换更为灵活的检测方法: 霍夫梯度法, 也叫2-1霍夫变换(21HT)。它的原理依据是圆心一定是在圆上的每个点的模向量上, 这些圆上点模向量的交点就是圆心, 霍夫梯度法的第一步就是找到这些圆心, 这样三维的累加平面就又转化为二维累加平面. 第二部根据所有候选中心的边缘非0像素对其的支持程度来确定半径.

/// Convert it to gray
cvtColor( src, src_gray, CV_BGR2GRAY );

/// Reduce the noise so we avoid false circle detection
GaussianBlur( src_gray, src_gray, Size(9, 9), 2, 2 );

vector<Vec3f> circles;

/// Apply the Hough Transform to find the circles
HoughCircles( src_gray, circles, CV_HOUGH_GRADIENT, 1, src_gray.rows/8, 200, 100, 0, 0 );

/// Draw the circles detected
for( size_t i = 0; i < circles.size(); i++ )
{
  Point center(cvRound(circles[i][0]), cvRound(circles[i][1]));
  int radius = cvRound(circles[i][2]);
  // circle center
  circle( src, center, 3, Scalar(0,255,0), -1, 8, 0 );
  // circle outline
  circle( src, center, radius, Scalar(0,0,255), 3, 8, 0 );
}
  • src_gray: 输入图像 (灰度图)
  • circles: 存储下面三个参数: x_{c}, y_{c}, r 集合的容器来表示每个检测到的圆.
  • CV_HOUGH_GRADIENT: 指定检测方法. 现在OpenCV中只有霍夫梯度法
  • dp = 1: 累加器图像的反比分辨率
  • min_dist = src_gray.rows/8: 检测到圆心之间的最小距离
  • param_1 = 200: Canny边缘函数的高阈值
  • param_2 = 100: 圆心检测阈值.
  • min_radius = 0: 能检测到的最小圆半径, 默认为0.
  • max_radius = 0: 能检测到的最大圆半径, 默认为0

posted on 2014-03-03 15:43  eric.xing  阅读(5390)  评论(0编辑  收藏  举报

导航