OpenCV学习 day9 自定义线性滤波图像边缘补偿边缘算子

一、自定义滤波器

代码演示：

//Sboel算子
Mat kernel_x = (Mat_<int>(3, 3) << -1, 0, 1, -2, 0, 2, -1 ,0, 1);  //X方向
Mat kernel_y = (Mat_<int>(3, 3) << -1, -2, -1, 0, 0, 0, 1, 2, 1);  //Y方向
    
filter2D(src, dst, -1, kernel_x, Point(-1, -1), 0.0);

自定义高斯滤波

// 5*5大小的高斯核
Mat kernel = Mat::ones(Size(5, 5), CV_32F) / (float)(5* 5);
filter2D(src, dst, -1, kernel, Point(-1, -1));

二、边缘补偿

在卷积开始之前增加边缘像素，填充的像素值为0或者RGB黑色，比如3x3在四周各填充1个像素的边缘，这样就确保图像的边缘被处理，在卷积处理之后再去掉这些边缘。

openCV中默认的处理方法是： BORDER_DEFAULT，

此外常用的还有如下几种：
- BORDER_CONSTANT – 填充边缘用指定像素值
- BORDER_REPLICATE – 填充边缘像素用已知的边缘像素值。
- BORDER_WRAP – 用另外一边的像素来补偿填充

API：

copyMakeBorder（
 - Mat src, // 输入图像
 - Mat dst, // 添加边缘图像
 - int top, // 边缘填充长度，一般上下左右都取相同值，
 - int bottom,
 - int left,
 - int right, 
 - int borderType // 边缘类型
 - Scalar value 
）

几种填充类型：

enum BorderTypes {
    BORDER_CONSTANT    = 0, //常值填充
    BORDER_REPLICATE   = 1, //原图边缘复制
    BORDER_REFLECT     = 2, //
    BORDER_WRAP        = 3, //原图的另一边复制到这边
    BORDER_REFLECT_101 = 4, //
    BORDER_TRANSPARENT = 5, //

    BORDER_REFLECT101  = BORDER_REFLECT_101, //
    BORDER_DEFAULT     = BORDER_REFLECT_101, //
    BORDER_ISOLATED    = 16 //
};

三、边缘算子

如下图所示，相邻像素之间发生较大改变时，它它们方向上的导数值也会很大

1，Sobel算子

是离散微分算子（discrete differentiation operator），用来计算图像灰度的近似梯度

Soble算子功能集合高斯平滑和微分求导

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方向与Y方向梯度图像

opencv中使用改进版Scharr的算子如下：

API：

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. 通常深度比输入图像要高 防止像素值被截断
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1、3、5、7、
double scale  = 1
double delta = 0
int borderType = BORDER_DEFAULT
)

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
)

代码演示：

思路：

高斯平滑
转灰度
求X、Y方向梯度
梯度图融合

int sobel_boder(Mat src) {
    Mat blur_src, gray_src, dst;
    Mat xgrad, ygrad;
    GaussianBlur(src, blur_src, Size(3, 3), 0, 0);  //高斯模糊
    cvtColor(blur_src, gray_src, COLOR_BGR2GRAY);  //转灰度
    
    Sobel(gray_src, xgrad, CV_16S, 1, 0, 3); //X方向求梯度
    Sobel(gray_src, ygrad, CV_16S, 0, 1, 3); //Y方向求梯度
    //Scharr(gray_src, xgrad, CV_16S, 1, 0, 3); //Y方向求梯度
    //Scharr(gray_src, ygrad, CV_16S, 0, 1, 3); //Y方向求梯度

    convertScaleAbs(xgrad, xgrad);  //计算图像的像素绝对值，输出到图像B
    convertScaleAbs(ygrad, ygrad);
    
    imshow("x grad", xgrad);
    imshow("y grad", ygrad);

    addWeighted(xgrad, 0.5, ygrad, 0.5,0,dst);  // X Y方向梯度融合
    imshow("x y add result", dst);
    
    //标准的Sobel最后梯度计算
    Mat xygrad = Mat(xgrad.size(), xgrad.type());
    printf("type: %d\n", xgrad.type());
    for (int row = 0; row < xgrad.rows; row++) {
        for (int col = 0; col < xgrad.cols; col++) {
            int xg = xgrad.at<uchar>(row, col);
            int yg = ygrad.at<uchar>(row, col);
            int xyg = xg + yg;
            xygrad.at<uchar>(row, col) = saturate_cast<uchar>(xyg);
        }
    }
    imshow("final image", xygrad);

    waitKey(0);
    return 0;
}

2，Laplance算子

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。

x,y方向的二阶导数之和

代码演示：

思路：

高斯平滑（模糊）
转灰度
拉普拉斯-二阶导数计算
取绝对值
后续对梯度图的处理

int Laplance_boder(Mat src) {
    
    Mat gray_src, blur_src, dst;
    GaussianBlur(src, blur_src, Size(3, 3), 0, 0);
    cvtColor(blur_src, gray_src, COLOR_BGR2GRAY);
    
    Laplacian(gray_src, dst, CV_16S, 3);
    convertScaleAbs(dst, dst); //取绝对值

    threshold(dst, dst, 0, 255, THRESH_OTSU | THRESH_BINARY); //通过阈值减少噪声 只能是灰度图

    namedWindow("laplance result", WINDOW_AUTOSIZE);
    imshow("laplance result", dst);
    
    waitKey(0);
    return 0;
}

Canny边缘检测

Canny是边缘检测算法，在1986年提出的。

是一个很好的边缘检测器

很常用也很实用的图像处理方法

算法步骤：

首先，图像降噪。我们知道梯度算子可以用于增强图像，本质上是通过增强边缘轮廓来实现的，也就是说是可以检测到边缘的。但是，它们受噪声的影响都很大。那么，我们第一步就是想到要先去除噪声，因为噪声就是灰度变化很大的地方，所以容易被识别为伪边缘。
第二步，计算图像梯度，得到可能边缘。我们在前面的关于《图像梯度》文章中有所介绍，计算图像梯度能够得到图像的边缘，因为梯度是灰度变化明显的地方，而边缘也是灰度变化明显的地方。当然这一步只能得到可能的边缘。因为灰度变化的地方可能是边缘，也可能不是边缘。这一步就有了所有可能是边缘的集合。
第三步，非极大值抑制。通常灰度变化的地方都比较集中，将局部范围内的梯度方向上，灰度变化最大的保留下来，其它的不保留，这样可以剔除掉一大部分的点。将有多个像素宽的边缘变成一个单像素宽的边缘。即“胖边缘”变成“瘦边缘”。
第四步，双阈值筛选。通过非极大值抑制后，仍然有很多的可能边缘点，进一步的设置一个双阈值，即低阈值（low），高阈值（high）。灰度变化大于high的，设置为强边缘像素，低于low的，剔除。在low和high之间的设置为弱边缘。进一步判断，如果其领域内有强边缘像素，保留，如果没有，剔除。

具体地：

高斯模糊 - GaussianBlur
灰度转换 - cvtColor
计算梯度 – Sobel/Scharr
非最大信号抑制
高低阈值输出二值图像

非最大信号抑制

θ是梯度的方向，0-180°之间，表示哪个方向上的变化率最大。找出梯度方向所对应的值，与其周围的值进比较，进行抑制，如下图所示。

高低阈值输出：

T1， T2为阈值，凡是高于T2的都保留，凡是小于T1都丢弃。凡是大于T1而且与高于T2像素相互连接的，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或者2:1 其中T2为高阈值，T1为低阈值

API：

CV::Canny

必须是八位的灰度图像

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
）

代码演示：

void Canny_Demo(int pos, void* usrdata);
int Canny_boder(Mat src) {
    int t1_value = 50;
    int max_value = 255;
    namedWindow("Canny Result", WINDOW_AUTOSIZE);
    createTrackbar("Treshold Value", "Canny Result", &t1_value, max_value, Canny_Demo, &src);
    Canny_Demo(t1_value, &src);

    waitKey(0);
    return 0;
}

void Canny_Demo(int pos, void* usrdata) {
    
    Mat gray_src, edge_output, dst;
    Mat src = *(Mat*)(usrdata);  //强转Mat类型
    cvtColor(src, gray_src, COLOR_BGR2GRAY);
    blur(gray_src, gray_src, Size(3, 3), Point(-1,-1), BORDER_DEFAULT);
    Canny(gray_src, edge_output, pos, pos*2, 3, false);

    //dst = Scalar::all(0);
    dst.create(src.size(), src.type()); //初始化dst
    src.copyTo(dst, edge_output);  //将非0的像素值copy过去
    
    imshow("Canny Result", dst);
}

关于回调函数，可以参考例子：https://www.cnblogs.com/Fsiswo/p/8030649.html

posted @ 2020-05-24 15:43 xyfun72 阅读(471) 评论(0) 编辑收藏举报

会员力量，点亮园子希望

刷新页面返回顶部

OpenCV学习 day9 自定义线性滤波 图像边缘补偿 边缘算子

公告

OpenCV学习 day9 自定义线性滤波图像边缘补偿边缘算子