二十 open CV教程 边缘检测

1、常用边缘检测算法

边缘检测

一、边缘检测的理解

        边缘一般是指图像在某一局部强度剧烈变化的区域。强度变化一般有两种情况：
        阶跃变化：    像数值从低到高变化，图像从暗到亮

        山顶变化：由暗到亮再到暗，两边较暗，中心突出

        边缘检测实际上是找到两种强度变化的集合。

        既然边缘是灰度变化最剧烈的位置，最直观的想法就是求差分(相邻像素点的差值)。

        用差分的方法进行边缘检测必须使差分的方向和边缘的方向相垂直，这就需要对图像的不同方向分别进行差分运算，增加了运算量。一般可将边缘分为水平边缘、垂直边缘和对角线边缘。

        对于第一种情况：一阶差分的峰值为边缘点，二阶差分的零点为边缘点。

        对于第二种情况：一阶差分的零点为边缘点，二阶差分的峰值为边缘点。

二、常用边缘检测算子

        1、普通梯度算子：

        普通梯度算子也叫正交梯度算子，分别求像素点上方与像素点的梯度和像素点左边与像素点的梯度值。

[ 0    0           [0    1

−1   1]           0  -1]  

        2、Roberts算子：

        Roberts算子与普通梯度算子类似，都是取一阶的差分作为梯度，区别在于取值的位置：对角取值

        3、Prewitt算子：

         Prewitt结合了差分与邻域平均的思想，其卷积核如下
水平卷积核：   垂直卷积核

        4、Sobel算子：

        Sobel算子是在Prewitt算子的基础上加入了权值的思想，离像素点越近权值越高
        

        5、拉普拉斯算子：

        拉普拉斯变换是工程数学中常用的一种积分变换；拉普拉斯算子是n维欧几里得空间的一个二阶微分算子；

        6、LoG算子：

        Laplacian of Gaussian，就是高斯拉普拉斯算子，原理为对高斯分布公式进行二阶微分
高斯函数为：

        7、Canny算子：
               

Canny算子分为四步：图像降噪、计算图像梯度、非极大值抑制、阈值筛选

        1.图像降噪
        梯度算子本质上是描述图像灰度突出值的算子，所以受到噪声影响很大，因为噪声表现为突出的异常数据点，所以第一步需要降噪，一般使用高斯滤波降噪；

        2.计算图像梯度
        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。
在OpenCV中默认使用Sobel算子作为梯度算子。

        3.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。这一步的主要目的为瘦边缘，需要结合梯度方向与梯度值来判断；

        将梯度分为8个方向，分别为E、NE、N、NW、W、SW、S、SE(这实际上也为像素点)，
其中0代表0度到45度,1代表45度到90度，2代表-90度到-45度，3代表-45度到0度。

         

        4.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。

OpenCV的函数有两种：
        第一种为输入两个不同的互相正交的梯度图:

        CV_EXPORTS_W void Canny( InputArray dx, InputArray dy,
                         OutputArray edges,
                         double threshold1, double threshold2,
                         bool L2gradient = false );

        InputArray dx：x方向的梯度算子，如sobel算子的x算子；
        InputArray dx：y方向的梯度算子，如sobel算子的y算子；
        double thresh