图像边缘检测

边缘检测是数字图像处理中的一项基本任务，其目的是识别和定位图像中明显变化的区域，即图像中物体的边缘或轮廓。这些边缘通常表示图像中亮度、颜色或纹理等属性发生显著变化的地方，是图像分析和计算机视觉中很重要的一部分。

在进行边缘检测时，主要目标是从图像的像素值中找到这些变化的位置。边缘通常是物体之间的边界或物体内部重要的特征。

边缘检测的应用：
边缘检测在各种图像处理和计算机视觉任务中都有广泛应用，包括但不限于：

• 物体识别与分割：边缘检测可以帮助在图像中定位和分割不同的物体或区域，为后续的目标识别或分析提供基础。

• 图像增强与压缩：在图像处理中，可以利用边缘信息来增强图像的视觉效果或者减少图像的数据量，例如在压缩图像时保留重要的边缘信息。

• 目标跟踪与运动检测：通过检测连续帧图像中物体的边缘变化，可以实现目标的跟踪和运动检测。

• 图像分析与计算机视觉：在计算机视觉任务中，边缘检测是提取物体形状、大小和空间关系的重要步骤。

常用的边缘检测方法：

在实际应用中，常见的边缘检测方法包括：

• 基于梯度的方法：如Sobel、Scharr和Laplacian算子，这些方法利用图像的梯度信息来定位边缘。
• Canny边缘检测：是一种多阶段的边缘检测算法，被认为是最有效的方法之一，它包括噪声抑制、计算梯度、非极大值抑制和双阈值处理等步骤。
• 基于模型的方法：如Hough变换，用于检测直线和其他形状的边缘。

这些方法各有特点，应根据具体的应用场景和需求选择合适的方法进行边缘检测。

基于梯度的边缘检测

Sobel算子

• Sobel算子是一种离散的微分算子，用于计算图像的梯度，常用于边缘检测和图像增强。
• Sobel算子可以计算出水平方向和垂直方向的一阶导数，从而得到图像在水平和垂直方向上的梯度。
• 通常情况下，Sobel算子使用3x3的核来计算梯度，可以根据需要选择计算一阶或二阶导数。

void Sobel(
InputArray src,   //输入图像。可以是单通道（灰度图像）或者多通道图像。
OutputArray dst,   //输出的图像，大小和类型与src相同。
int ddepth,   //输出图像的深度，通常使用CV_16S或CV_64F。
int dx,   //x的导数的阶数，取0、1或2
int dy,   //y的导数的阶数，取0、1或2
int ksize = 3,   //Sobel核的大小，一般为1、3、5或7。
double scale = 1,   //可选的缩放因子。
double delta = 0,   //可选的加法常数
int borderType = BORDER_DEFAULT  //图像边界的处理方式，默认为BORDER_DEFAULT。
);

Scharr算子

• Scharr算子也用于图像的梯度计算，相比于Sobel算子，Scharr算子对图像的噪声更敏感，但计算结果更加精确。
• Scharr算子与Sobel算子类似，也是用于计算图像在水平和垂直方向上的梯度。
• 不同之处在于，Scharr算子使用的核比Sobel算子更大，通常是3x3的核，能够提供更加精确的梯度估计

void Scharr(
InputArray src, 
OutputArray dst, 
int ddepth, 
int dx, 
int dy, 
double scale = 1, 
double delta = 0, 
int borderType = BORDER_DEFAULT
);

参数与Sobel函数类似

Laplacian算子

• Laplacian算子是一种二阶微分算子，它通过计算图像的二阶导数来检测图像中的边缘。
• Laplacian算子对于图像中的二阶变化（如角点）非常敏感，因此它常用于边缘检测、图像增强和特征检测。
• Laplacian算子可以帮助检测出图像中的局部变化，但它的结果通常需要通过阈值化或其他后处理步骤来获取清晰的边缘。

void Laplacian(
InputArray src,   //输入图像，可以是单通道或者多通道。
OutputArray dst,   //输出图像，深度通常为CV_16S或CV_64F。
int ddepth,     //输出图像的深度
int ksize = 1,   //Laplacian核的大小，通常为1、3、5或7。
double scale = 1,   //可选的缩放因子
double delta = 0,   //可选的加法常数
int borderType = BORDER_DEFAULT  //图像边界的处理方式，默认为BORDER_DEFAULT。
);

三种算子区别：

• Sobel和Scharr都是用来计算图像的一阶梯度，主要用于边缘检测。
• Sobel和Scharr的区别在于核的大小和精度，Scharr提供了更精确的结果。
• Laplacian算子则是用来计算图像的二阶梯度，可以帮助检测出更复杂的图像结构变化。

Canny边缘检测

Canny边缘检测是一种多阶段的边缘检测算法，具有高精度和良好的抗噪声能力。

检测步骤

1. 高斯滤波：
首先，对输入的图像进行高斯平滑处理，以减少图像的噪声。
高斯滤波可以有效地平滑图像，并且不会对边缘位置造成很大的偏移。

2. 计算梯度：
对平滑后的图像使用Sobel算子或Scharr算子计算图像的梯度。
这一步骤会计算每个像素点的梯度强度和方向。

3. 非极大值抑制：
在梯度图像中，进行非极大值抑制，目的是将梯度图像转化为边缘图像。
非极大值抑制会检查每个像素点，将其与沿着梯度方向的两个相邻像素进行比较，只保留局部梯度最大的像素，以使边缘变得更细。

4. 双阈值检测：

使用双阈值策略来确定真实的和潜在的边缘。

• 首先，定义两个阈值：高阈值和低阈值。
• 如果像素的梯度值超过高阈值，则被视为强边缘；
• 如果梯度值低于低阈值，则被排除。介于两个阈值之间的像素被标记为弱边缘。

5. 边缘跟踪与连接：
最后一个阶段是通过连接强边缘来细化和连接边缘。
通过检查弱边缘像素是否与强边缘像素相连，来决定最终的边缘。

函数原型

void cv::Canny(
    InputArray image,          // 输入图像，可以是单通道的灰度图像
    OutputArray edges,         // 输出边缘图像，通常是二值图像，其中包含检测到的边缘
    double threshold1,         // 第一个阈值，用于边缘连接。较低的阈值用于确定可能的边缘。
    double threshold2,         // 第二个阈值，用于边缘连接和边缘终止。较高的阈值用于确定真正的边缘。
    int apertureSize = 3,      // Sobel算子的孔径大小，默认为3
    bool L2gradient = false    // 是否使用更精确的L2范数进行梯度计算，默认为false，使用L1范数
);