卷积应用-图像边缘提取

卷积应用-图像边缘提取

• 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。
• 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，
• 我已经忘记啦，不要担心，用Sobel算子就好！卷积操作！

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方法与Y方向梯度图像
  

• 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：
  

API说明cv::Sobel

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1、3、5、7、… …
double scale = 1
double delta = 0
int borderType = BORDER_DEFAULT
)

API说明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
)

其它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
  

处理流程

• 高斯模糊 – 去噪声GaussianBlur()
• 转换为灰度图像cvtColor()
• Sobel /Scharr – 一阶导数计算Sobel ()、Scharr ()
• 取绝对值convertScaleAbs()
• 图像按权值合成addWeighted()
• 显示结果

代码示例

#include <opencv2/opencv.hpp>
#include <iostream>
using namespace cv;

Mat src, src_gray;
const char* window_name1 = "Sobel Demo - Simple Edge Detector";
const char* window_name2 = "Scharr Demo - Simple Edge Detector";

void Sobel_Demo();
void Scharr_Demo();

int main( int, char** argv )
{
	// 1.加载源图像src
	src = imread("E:/Experiment/OpenCV/Pictures/girl.jpg");
	if( src.empty()){ //检测图片
		printf("could not load image...");
		return -1;
	}
	namedWindow( window_name1, WINDOW_AUTOSIZE );
	namedWindow( window_name2, WINDOW_AUTOSIZE );
	namedWindow("input",CV_WINDOW_AUTOSIZE);
	imshow("input",src);//输出图像
	
	// 2. 先模糊，为了去噪声。将cv :: GaussianBlur应用于我们的图像以减少噪音（内核大小= 3）
	GaussianBlur( src, src, Size(3,3), 0, 0, BORDER_DEFAULT );
	
	// 3. 将滤波后的图像转换为灰度图像：
	cvtColor( src, src_gray, COLOR_RGB2GRAY );

	// 4.分别用 Sobel 算子和 Scharr 算子进行图像边缘化处理
	Sobel_Demo();
	Scharr_Demo();
	
	waitKey(0);
	return 0;
}
void Sobel_Demo(){
	// 4.1. 计算x和y方向的导数。 为此，我们使用函数cv :: Sobel
	Mat sobelX, sobelY;
	int scale = 1;
	int delta = 0;
	int ddepth = CV_16S; // 输出图像使用 CV_16S 相比输出深度为原图的 CV_8U ，输出的图像梯度更明显
	Sobel( src_gray, sobelX, ddepth, 1, 0, 3, scale, delta, BORDER_DEFAULT ); //Sobel X 方向求导，求梯度，输出的图像是二值图
	Sobel( src_gray, sobelY, ddepth, 0, 1, 3, scale, delta, BORDER_DEFAULT ); //Sobel Y 方向求导，求梯度

	// 4.2. 将部分结果转换回CV_8U：
	Mat abs_sobelX, abs_sobelY;
	convertScaleAbs( sobelX, abs_sobelX );//convertScaleAbs函数将颜色数据取绝对值，否则图像可能无法显示
	convertScaleAbs( sobelY, abs_sobelY );
	imshow("SobelX",abs_sobelX);
	imshow("SobelY",abs_sobelY);

	// 4.3. 通过添加两个方向渐变来近似渐变
	Mat dst;
	addWeighted( abs_sobelX, 0.5, abs_sobelY, 0.5, 0, dst );//振幅图像，图像合成

	// 4.4. 输出结果
	imshow( window_name1, dst );

}

void Scharr_Demo(){//Scharr 将梯度更加的放大，相比于 sobel ，非常的不怕干扰
	// 4.1. 计算x和y方向的导数。 为此，我们使用函数cv :: Sobel
	Mat scharrX, scharrY;
	int scale = 1;
	int delta = 0;
	int ddepth = CV_16S; // 输出图像使用 CV_16S 相比输出深度为原图的 CV_8U ，输出的图像梯度更明显
	Scharr( src_gray, scharrX, ddepth, 1, 0, scale, delta, BORDER_DEFAULT );
	Scharr( src_gray, scharrY, ddepth, 0, 1, scale, delta, BORDER_DEFAULT );
	// 4.2. 将部分结果转换回CV_8U：
	Mat abs_scharrX, abs_scharrY;
	convertScaleAbs( scharrX, abs_scharrX );//convertScaleAbs函数将颜色数据取绝对值，否则图像可能无法显示
	convertScaleAbs( scharrY, abs_scharrY );
	imshow("ScharrX",abs_scharrX);
	imshow("ScharrY",abs_scharrY);

	// 4.3. 通过添加两个方向渐变来近似渐变
	Mat dst;
	addWeighted( abs_scharrX, 0.5, abs_scharrY, 0.5, 0, dst );//振幅图像，图像合成

	// 4.4. 输出结果
	imshow( window_name2, dst );
}

运行截图

• 原图
  
• Sobel 算子
  
• Scharr 算子
  

参考博客：

1. https://blog.****.net/LYKymy/article/details/83184469
2. https://blog.****.net/huanghuangjin/article/details/81138129