1.Opencv_Canny(),边缘检测详解

简介: 1.Opencv_Canny(),边缘检测详解

以下我都整理出来了源码,放在文章最后*

#define canny_easyLP.cpp canny函数的一个简单实例

#define cv_canny.h canny函数源码

#define edge_canny.h 自己实现的一个canny函数

#define test_canny.cpp canny函数的一个实例,包含canny的自己实现

边缘检测的核心算法:

void cv::Canny ( InputArray _src, //输入的灰度图像

OutputArray _dst, //输出轮廓

double low_thresh, //低阈值

double high_thresh, //高阈值

int aperture_size, //表明应用sobel算子的孔径大小,默认值为3

bool L2gradient ) //一个计算图像梯度幅值的标识,默认值false

Canny算子检测原理是通过图像信号函数的极大值来判断图像的边缘像素点。

边缘检测的算法主要是基于图像强度的一阶和二阶微分操作,但导数通常对噪声很敏感,边缘检测的算法常常

需要根据图像源的数据进行预处理操作,因此必须采用滤波器来改善与噪声有关的边缘检测的性能。在进行Canny

算子边缘检测前,应当先对原始数据与高斯模板进行卷积操作,得到的图像与原图相比有些模糊。通常使用高斯平滑

滤波器卷积降噪。

算法步骤如下:

1)用高斯滤波器对输入图像做平滑处理(5*5的高斯核)

2)计算图像的梯度强度和角度方向(x和y方向上的卷积和)

角度方向近似为四个可能值,0,45,90,135

3)对图像的梯度强度进行非极大值抑制

可看做边缘细化:只有候选边缘点被保留时,其余的点被移除

4)利用双阈值检测和连接边缘

若候选边缘点大于上阈值,则被保留;小于下阈值,则被舍弃;

处于两者之间,须视其所连接的像素点,大于阈值保留,小于阈值舍弃。

滞后阈值:滞后阈值需要两个阈值(高阈值和低阈值)

(1)若某一像素位置的幅值超过高阈值,该像素被保留为边缘像素。

(2)若某一像素位置的幅值小于低阈值,该像素被排除。

(3)若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高阈值的像素时被保留。

小例子:

//cv_canny.h
#include <iostream>
#include <opencv2/core.hpp>
#include <opencv2/highgui.hpp>
#include <opencv2/imgproc.hpp>
using namespace std;
using namespace cv;
void cv::Canny ( InputArray _src, OutputArray _dst, double low_thresh, double high_thresh, int aperture_size, bool L2gradient )
{
  Mat src = _src.getMat ( );           //输入图像 
  CV_Assert ( src.depth ( ) == CV_8U ); // 8位无符号  
  _dst.create ( src.size ( ), CV_8U );    //根据src的大小构造目标矩阵dst  
  Mat dst = _dst.getMat ( );           //输出图像,为单通道黑白图  
  // low_thresh 表示低阈值, high_thresh表示高阈值  
  // aperture_size 表示算子大小,默认为3  
  // L2gradient计算梯度幅值的标识,默认为false  
  // 如果L2gradient为false 并且 apeture_size的值为-1(-1的二进制标识为:1111 1111)  
  // L2gradient为false 则计算sobel导数时,用G = |Gx|+|Gy|  
  // L2gradient为true  则计算sobel导数时,用G = Math.sqrt((Gx)^2 + (Gy)^2) 根号下 开平方  
  if (!L2gradient && (aperture_size & CV_CANNY_L2_GRADIENT) == CV_CANNY_L2_GRADIENT)
  {
    // CV_CANNY_L2_GRADIENT 宏定义其值为: Value = (1<<31) 1左移31位  即2147483648  
    //backward compatibility  
    // ~标识按位取反  
    aperture_size &= ~CV_CANNY_L2_GRADIENT;//相当于取绝对值  
    L2gradient = true;
  }
  // 判别条件1:aperture_size是奇数  
  // 判别条件2: aperture_size的范围应当是[3,7], 默认值3   
  if ((aperture_size & 1) == 0 || (aperture_size != -1 && (aperture_size < 3 || aperture_size > 7)))
    CV_Error ( CV_StsBadFlag, "" );  // 报错  
  if (low_thresh > high_thresh)           // 如果低阈值 > 高阈值  
    std::swap ( low_thresh, high_thresh ); // 则交换低阈值和高阈值  
#ifdef HAVE_TEGRA_OPTIMIZATION  
  if (tegra::canny ( src, dst, low_thresh, high_thresh, aperture_size, L2gradient ))
    return;
#endif  
#ifdef USE_IPP_CANNY  
  if (aperture_size == 3 && !L2gradient &&
    ippCanny ( src, dst, (float)low_thresh, (float)high_thresh ))
    return;
#endif  
  const int cn = src.channels ( );           // cn为输入图像的通道数  
  Mat dx ( src.rows, src.cols, CV_16SC ( cn ) ); // 存储 x方向 方向导数的矩阵,CV_16SC(cn):16位有符号cn通道  
  Mat dy ( src.rows, src.cols, CV_16SC ( cn ) ); // 存储 y方向 方向导数的矩阵 ......  
  /*Sobel参数说明:(参考cvSobel)
  cvSobel(
  const  CvArr* src,                // 输入图像
  CvArr*        dst,                // 输入图像
  int           xorder,            // x方向求导的阶数
  int           yorder,         // y方向求导的阶数
  int           aperture_size = 3   // 滤波器的宽和高 必须是奇数
  );
  */
  // BORDER_REPLICATE 表示当卷积点在图像的边界时,原始图像边缘的像素会被复制,并用复制的像素扩展原始图的尺寸  
  // 计算x方向的sobel方向导数,计算结果存在dx中  
  Sobel ( src, dx, CV_16S, 1, 0, aperture_size, 1, 0, cv::BORDER_REPLICATE );
  // 计算y方向的sobel方向导数,计算结果存在dy中  
  Sobel ( src, dy, CV_16S, 0, 1, aperture_size, 1, 0, cv::BORDER_REPLICATE );
  //L2gradient为true时, 表示需要根号下开平方运算,阈值也需要平方  
  if (L2gradient)
  {
    low_thresh = std::min ( 32767.0, low_thresh );
    high_thresh = std::min ( 32767.0, high_thresh );
    if (low_thresh > 0) low_thresh *= low_thresh;    //低阈值平方运算  
    if (high_thresh > 0) high_thresh *= high_thresh; //高阈值平方运算  
  }
  int low = cvFloor ( low_thresh );   // cvFloor返回不大于参数的最大整数值, 相当于取整  
  int high = cvFloor ( high_thresh );
  // ptrdiff_t 是C/C++标准库中定义的一个数据类型,signed类型,通常用于存储两个指针的差(距离),可以是负数  
  // mapstep 用于存放  
  ptrdiff_t mapstep = src.cols + 2; // +2 表示左右各扩展一条边  
  // AutoBuffer<uchar> 会自动分配一定大小的内存,并且指定内存中的数据类型是uchar  
  // 列数 +2 表示图像左右各自扩展一条边 (用于复制边缘像素,扩大原始图像)  
  // 行数 +2 表示图像上下各自扩展一条边  
  AutoBuffer<uchar> buffer ( (src.cols + 2)*(src.rows + 2) + cn * mapstep * 3 * sizeof(int) );
  int* mag_buf[3];  //定义一个大小为3的int型指针数组,  
  mag_buf[0] = (int*)(uchar*)buffer;
  mag_buf[1] = mag_buf[0] + mapstep * cn;
  mag_buf[2] = mag_buf[1] + mapstep * cn;
  memset ( mag_buf[0], 0, /* cn* */mapstep * sizeof(int) );
  uchar* map = (uchar*)(mag_buf[2] + mapstep * cn);
  memset ( map, 1, mapstep );
  memset ( map + mapstep * (src.rows + 1), 1, mapstep );
  int maxsize = std::max ( 1 << 10, src.cols * src.rows / 10 ); // 2的10次幂 1024  
  std::vector<uchar*> stack ( maxsize ); // 定义指针类型向量,用于存地址  
  uchar **stack_top = &stack[0];      // 栈顶指针(指向指针的指针),指向stack[0], stack[0]也是一个指针  
  uchar **stack_bottom = &stack[0];   // 栈底指针 ,初始时 栈底指针 == 栈顶指针  
  // 梯度的方向被近似到四个角度之一 (0, 45, 90, 135 四选一)  
  /* sector numbers
  (Top-Left Origin)
  1   2   3
  *  *  *
  * * *
  0*******0
  * * *
  *  *  *
  3   2   1
  */
  // define 定义函数块  
  // CANNY_PUSH(d) 是入栈函数, 参数d表示地址指针,让该指针指向的内容为2(int型强制转换成uchar型),并入栈,栈顶指针+1  
  // 2表示 像素属于某条边缘 可以看下方的注释  
  // CANNY_POP(d) 是出栈函数, 栈顶指针-1,然后将-1后的栈顶指针指向的值,赋给d  
#define CANNY_PUSH(d)    *(d) = uchar(2), *stack_top++ = (d)  
#define CANNY_POP(d)     (d) = *--stack_top  
  // calculate magnitude and angle of gradient, perform non-maxima suppression.  
  // fill the map with one of the following values:  
  // 0 - the pixel might belong to an edge 可能属于边缘  
  // 1 - the pixel can not belong to an edge 不属于边缘  
  // 2 - the pixel does belong to an edge 一定属于边缘  
  // for内进行非极大值抑制 + 滞后阈值处理  
  for (int i = 0; i <= src.rows; i++) // i 表示第i行  
  {
    // i == 0 时,_norm 指向 mag_buf[1]  
    // i > 0 时, _norm 指向 mag_buf[2]  
    // +1 表示跳过每行的第一个元素,因为是后扩展的边,不可能是边缘  
    int* _norm = mag_buf[(i > 0) + 1] + 1;
    if (i < src.rows)
    {
      short* _dx = dx.ptr<short> ( i ); // _dx指向dx矩阵的第i行  
      short* _dy = dy.ptr<short> ( i ); // _dy指向dy矩阵的第i行  
      if (!L2gradient) // 如果 L2gradient为false  
      {
        for (int j = 0; j < src.cols*cn; j++) // 对第i行里的每一个值都进行计算  
          _norm[j] = std::abs ( int ( _dx[j] ) ) + std::abs ( int ( _dy[j] ) ); // 用||+||计算  
      }
      else
      {
        for (int j = 0; j < src.cols*cn; j++)
          //用平方计算,当 L2gradient为 true时,高低阈值都被平方了,所以此处_norm[j]无需开平方  
          _norm[j] = int ( _dx[j] )*_dx[j] + int ( _dy[j] )*_dy[j]; //  
      }
      if (cn > 1) // 如果不是单通道  
      {
        for (int j = 0, jn = 0; j < src.cols; ++j, jn += cn)
        {
          int maxIdx = jn;
          for (int k = 1; k < cn; ++k)
          if (_norm[jn + k] > _norm[maxIdx]) maxIdx = jn + k;
          _norm[j] = _norm[maxIdx];
          _dx[j] = _dx[maxIdx];
          _dy[j] = _dy[maxIdx];
        }
      }
      _norm[-1] = _norm[src.cols] = 0; // 最后一列和第一列的梯度幅值设置为0  
    }
    // 当i == src.rows (最后一行)时,申请空间并且每个空间的值初始化为0, 存储在mag_buf[2]中  
    else
      memset ( _norm - 1, 0, /* cn* */mapstep * sizeof(int) );
    // at the very beginning we do not have a complete ring  
    // buffer of 3 magnitude rows for non-maxima suppression  
    if (i == 0)
      continue;
    uchar* _map = map + mapstep * i + 1; // _map 指向第 i+1 行,+1表示跳过该行第一个元素  
    _map[-1] = _map[src.cols] = 1; // 第一列和最后一列不是边缘,所以设置为1  
    int* _mag = mag_buf[1] + 1; // take the central row 中间那一行  
    ptrdiff_t magstep1 = mag_buf[2] - mag_buf[1];
    ptrdiff_t magstep2 = mag_buf[0] - mag_buf[1];
    const short* _x = dx.ptr<short> ( i - 1 );
    const short* _y = dy.ptr<short> ( i - 1 );
    // 如果栈的大小不够,则重新为栈分配内存(相当于扩大容量)  
    if ((stack_top - stack_bottom) + src.cols > maxsize)
    {
      int sz = (int)(stack_top - stack_bottom);
      maxsize = maxsize * 3 / 2;
      stack.resize ( maxsize );
      stack_bottom = &stack[0];
      stack_top = stack_bottom + sz;
    }
    int prev_flag = 0; //前一个像素点 0:非边缘点 ;1:边缘点  
    for (int j = 0; j < src.cols; j++) // 第 j 列  
    {
#define CANNY_SHIFT 15  
      // tan22.5  
      const int TG22 = (int)(0.4142135623730950488016887242097*(1 << CANNY_SHIFT) + 0.5);
      int m = _mag[j];
      if (m > low) // 如果大于低阈值  
      {
        int xs = _x[j];    // dx中 第i-1行 第j列  
        int ys = _y[j];    // dy中 第i-1行 第j列  
        int x = std::abs ( xs );
        int y = std::abs ( ys ) << CANNY_SHIFT;
        int tg22x = x * TG22;
        if (y < tg22x) //角度小于22.5 用区间表示:[0, 22.5)  
        {
          // 与左右两点的梯度幅值比较,如果比左右都大  
          //(此时当前点是左右邻域内的极大值),则 goto __ocv_canny_push 执行入栈操作  
          if (m > _mag[j - 1] && m >= _mag[j + 1]) goto __ocv_canny_push;
        }
        else //角度大于22.5  
        {
          int tg67x = tg22x + (x << (CANNY_SHIFT + 1));
          if (y > tg67x) //(67.5, 90)  
          {
            //与上下两点的梯度幅值比较,如果比上下都大  
            //(此时当前点是左右邻域内的极大值),则 goto __ocv_canny_push 执行入栈操作  
            if (m > _mag[j + magstep2] && m >= _mag[j + magstep1]) goto __ocv_canny_push;
          }
          else //[22.5, 67.5]  
          {
            // ^ 按位异或 如果xs与ys异号 则取-1 否则取1  
            int s = (xs ^ ys) < 0 ? -1 : 1;
            //比较对角线邻域  
            if (m > _mag[j + magstep2 - s] && m > _mag[j + magstep1 + s]) goto __ocv_canny_push;
          }
        }
      }
      //比当前的梯度幅值低阈值还低,直接被确定为非边缘  
      prev_flag = 0;
      _map[j] = uchar ( 1 ); // 1 表示不属于边缘  
      continue;
    __ocv_canny_push:
      // 前一个点不是边缘点 并且 当前点的幅值大于高阈值(大于高阈值被视为边缘像素) 并且 正上方的点不是边缘点  
      if (!prev_flag && m > high && _map[j - mapstep] != 2)
      {
        //将当前点的地址入栈,入栈前,会将该点地址指向的值设置为2(查看上面的宏定义函数块里)  
        CANNY_PUSH ( _map + j );
        prev_flag = 1;
      }
      else
        _map[j] = 0;
    }
    // scroll the ring buffer  
    // 交换指针指向的位置,向上覆盖,把mag_[1]的内容覆盖到mag_buf[0]上  
    // 把mag_[2]的内容覆盖到mag_buf[1]上  
    // 最后 让mag_buf[2]指向_mag指向的那一行  
    _mag = mag_buf[0];
    mag_buf[0] = mag_buf[1];
    mag_buf[1] = mag_buf[2];
    mag_buf[2] = _mag;
  }
  // now track the edges (hysteresis thresholding)  
  // 通过上面的for循环,确定了各个邻域内的极大值点为边缘点(标记为2)  
  // 现在,在这些边缘点的8邻域内(上下左右+4个对角),将可能的边缘点(标记为0)确定为边缘  
  while (stack_top > stack_bottom)
  {
    uchar* m;
    if ((stack_top - stack_bottom) + 8 > maxsize)
    {
      int sz = (int)(stack_top - stack_bottom);
      maxsize = maxsize * 3 / 2;
      stack.resize ( maxsize );
      stack_bottom = &stack[0];
      stack_top = stack_bottom + sz;
    }
    CANNY_POP ( m ); // 出栈  
    if (!m[-1])         CANNY_PUSH ( m - 1 );
    if (!m[1])          CANNY_PUSH ( m + 1 );
    if (!m[-mapstep - 1]) CANNY_PUSH ( m - mapstep - 1 );
    if (!m[-mapstep])   CANNY_PUSH ( m - mapstep );
    if (!m[-mapstep + 1]) CANNY_PUSH ( m - mapstep + 1 );
    if (!m[mapstep - 1])  CANNY_PUSH ( m + mapstep - 1 );
    if (!m[mapstep])    CANNY_PUSH ( m + mapstep );
    if (!m[mapstep + 1])  CANNY_PUSH ( m + mapstep + 1 );
  }
  // the final pass, form the final image  
  // 生成边缘图  
  const uchar* pmap = map + mapstep + 1;
  uchar* pdst = dst.ptr ( );
  for (int i = 0; i < src.rows; i++, pmap += mapstep, pdst += dst.step)
  {
    for (int j = 0; j < src.cols; j++)
      pdst[j] = (uchar)-(pmap[j] >> 1);
  }
}
//edge_canny.h
void Edge_Canny(cv::Mat &src, cv::Mat &edge, float TL, float TH, int wsize=3, bool L2graydient = false){
  int rows = src.rows;
  int cols = src.cols;
  //高斯滤波
  cv::GaussianBlur(src,src,cv::Size(5,5),0.8);
  //sobel算子
  cv::Mat dx, dy, sobel_dst;
  Sobel(src, dx, dy, sobel_dst, wsize, CV_32FC1);
  //计算梯度幅值
  cv::Mat edgeMag;
  if (L2graydient)   
        cv::magnitude(dx, dy, edgeMag); //开平方
  else  
        edgeMag = abs(dx) + abs(dy); //绝对值之和近似
  //计算梯度方向 以及 非极大值抑制
  cv::Mat edgeMag_noMaxsup = cv::Mat::zeros(rows, cols, CV_32FC1);
  for (int r = 1; r < rows - 1; ++r){
    for (int c = 1; c < cols - 1; ++c){
      float x = dx.at<float>(r, c);
      float y = dy.at<float>(r, c);
      float angle = std::atan2f(y, x) / CV_PI * 180; //当前位置梯度方向
      float mag = edgeMag.at<float>(r, c);  //当前位置梯度幅值
      //非极大值抑制
      //垂直边缘--梯度方向为水平方向-3*3邻域内左右方向比较
      if (abs(angle)<22.5 || abs(angle)>157.5){
        float left = edgeMag.at<float>(r, c - 1);
        float right = edgeMag.at<float>(r, c + 1);
        if (mag >= left && mag >= right)
          edgeMag_noMaxsup.at<float>(r, c) = mag;
      }
      //水平边缘--梯度方向为垂直方向-3*3邻域内上下方向比较
      if ((angle>=67.5 && angle<=112.5 ) || (angle>=-112.5 && angle<=-67.5)){
        float top = edgeMag.at<float>(r-1, c);
        float down = edgeMag.at<float>(r+1, c);
        if (mag >= top && mag >= down)
          edgeMag_noMaxsup.at<float>(r, c) = mag;
      }
      //+45°边缘--梯度方向为其正交方向-3*3邻域内右上左下方向比较
      if ((angle>112.5 && angle<=157.5) || (angle>-67.5 && angle<=-22.5)){
        float right_top = edgeMag.at<float>(r - 1, c+1);
        float left_down = edgeMag.at<float>(r + 1, c-1);
        if (mag >= right_top && mag >= left_down)
          edgeMag_noMaxsup.at<float>(r, c) = mag;
      }
      //+135°边缘--梯度方向为其正交方向-3*3邻域内右下左上方向比较
      if ((angle >=22.5 && angle < 67.5) || (angle >= -157.5 && angle < -112.5)){
        float left_top = edgeMag.at<float>(r - 1, c - 1);
        float right_down = edgeMag.at<float>(r + 1, c + 1);
        if (mag >= left_top && mag >= right_down)
          edgeMag_noMaxsup.at<float>(r, c) = mag;
      }
    }
  }
  //双阈值处理及边缘连接
  edge = cv::Mat::zeros(rows, cols, CV_8UC1);
  for (int r = 1; r < rows - 1; ++r){
    for (int c = 1; c < cols - 1; ++c){
      float mag = edgeMag_noMaxsup.at<float>(r, c);
      //大于高阈值,为确定边缘点
      if (mag >= TH)
        trace(edgeMag_noMaxsup, edge, TL, r, c, rows, cols);
      else if (mag < TL)
        edge.at<uchar>(r, c) = 0;
    }
  }
}
test_canny.cpp
#include <iostream>
#include <opencv2/core.hpp>
#include <opencv2/highgui.hpp>
#include <opencv2/imgproc.hpp>
//sobel算子 
//阶乘
int factorial ( int n ){
  int fac = 1;
  //0的阶乘
  if (n == 0)
    return fac;
  for (int i = 1; i <= n; ++i){
    fac *= i;
  }
  return fac;
}
//获得Sobel平滑算子
cv::Mat getSobelSmoooth ( int wsize ){
  int n = wsize - 1;
  cv::Mat SobelSmooothoper = cv::Mat::zeros ( cv::Size ( wsize, 1 ), CV_32FC1 );
  for (int k = 0; k <= n; k++){
    float *pt = SobelSmooothoper.ptr<float> ( 0 );
    pt[k] = factorial ( n ) / (factorial ( k )*factorial ( n - k ));
  }
  return SobelSmooothoper;
}
//获得Sobel差分算子
cv::Mat getSobeldiff ( int wsize ){
  cv::Mat Sobeldiffoper = cv::Mat::zeros ( cv::Size ( wsize, 1 ), CV_32FC1 );
  cv::Mat SobelSmoooth = getSobelSmoooth ( wsize - 1 );
  for (int k = 0; k < wsize; k++){
    if (k == 0)
      Sobeldiffoper.at<float> ( 0, k ) = 1;
    else if (k == wsize - 1)
      Sobeldiffoper.at<float> ( 0, k ) = -1;
    else
      Sobeldiffoper.at<float> ( 0, k ) = SobelSmoooth.at<float> ( 0, k ) - SobelSmoooth.at<float> ( 0, k - 1 );
  }
  return Sobeldiffoper;
}
//卷积实现
void conv2D ( cv::Mat& src, cv::Mat& dst, cv::Mat kernel, int ddepth, cv::Point anchor = cv::Point ( -1, -1 ), int delta = 0, int borderType = cv::BORDER_DEFAULT ){
  cv::Mat  kernelFlip;
  cv::flip ( kernel, kernelFlip, -1 );
  cv::filter2D ( src, dst, ddepth, kernelFlip, anchor, delta, borderType );
}
//可分离卷积———先垂直方向卷积,后水平方向卷积
void sepConv2D_Y_X ( cv::Mat& src, cv::Mat& dst, cv::Mat kernel_Y, cv::Mat kernel_X, int ddepth, cv::Point anchor = cv::Point ( -1, -1 ), int delta = 0, int borderType = cv::BORDER_DEFAULT ){
  cv::Mat dst_kernel_Y;
  conv2D ( src, dst_kernel_Y, kernel_Y, ddepth, anchor, delta, borderType ); //垂直方向卷积
  conv2D ( dst_kernel_Y, dst, kernel_X, ddepth, anchor, delta, borderType ); //水平方向卷积
}
//可分离卷积———先水平方向卷积,后垂直方向卷积
void sepConv2D_X_Y ( cv::Mat& src, cv::Mat& dst, cv::Mat kernel_X, cv::Mat kernel_Y, int ddepth, cv::Point anchor = cv::Point ( -1, -1 ), int delta = 0, int borderType = cv::BORDER_DEFAULT ){
  cv::Mat dst_kernel_X;
  conv2D ( src, dst_kernel_X, kernel_X, ddepth, anchor, delta, borderType ); //水平方向卷积
  conv2D ( dst_kernel_X, dst, kernel_Y, ddepth, anchor, delta, borderType ); //垂直方向卷积
}
//Sobel算子边缘检测
//dst_X 垂直方向
//dst_Y 水平方向
void Sobel ( cv::Mat& src, cv::Mat& dst_X, cv::Mat& dst_Y, cv::Mat& dst, int wsize, int ddepth, cv::Point anchor = cv::Point ( -1, -1 ), int delta = 0, int borderType = cv::BORDER_DEFAULT ){
  cv::Mat SobelSmooothoper = getSobelSmoooth ( wsize ); //平滑系数
  cv::Mat Sobeldiffoper = getSobeldiff ( wsize ); //差分系数
  //可分离卷积———先垂直方向平滑,后水平方向差分——得到垂直边缘
  sepConv2D_Y_X ( src, dst_X, SobelSmooothoper.t ( ), Sobeldiffoper, ddepth );
  //可分离卷积———先水平方向平滑,后垂直方向差分——得到水平边缘
  sepConv2D_X_Y ( src, dst_Y, SobelSmooothoper, Sobeldiffoper.t ( ), ddepth );
  //边缘强度(近似)
  dst = abs ( dst_X ) + abs ( dst_Y );
  cv::convertScaleAbs ( dst, dst ); //求绝对值并转为无符号8位图
}
//确定一个点的坐标是否在图像内
bool checkInRang ( int r, int c, int rows, int cols ){
  if (r >= 0 && r < rows && c >= 0 && c < cols)
    return true;
  else
    return false;
}
//从确定边缘点出发,延长边缘
void trace ( cv::Mat &edgeMag_noMaxsup, cv::Mat &edge, float TL, int r, int c, int rows, int cols ){
  if (edge.at<uchar> ( r, c ) == 0){
    edge.at<uchar> ( r, c ) = 255;
    for (int i = -1; i <= 1; ++i){
      for (int j = -1; j <= 1; ++j){
        float mag = edgeMag_noMaxsup.at<float> ( r + i, c + j );
        if (checkInRang ( r + i, c + j, rows, cols ) && mag >= TL)
          trace ( edgeMag_noMaxsup, edge, TL, r + i, c + j, rows, cols );
      }
    }
  }
}
//Canny边缘检测
void Edge_Canny ( cv::Mat &src, cv::Mat &edge, float TL, float TH, int wsize = 3, bool L2graydient = false ){
  int rows = src.rows;
  int cols = src.cols;
  //高斯滤波
  cv::GaussianBlur ( src, src, cv::Size ( 5, 5 ), 0.8 );
  //sobel算子
  cv::Mat dx, dy, sobel_dst;
  Sobel ( src, dx, dy, sobel_dst, wsize, CV_32FC1 );
  //计算梯度幅值
  cv::Mat edgeMag;
  if (L2graydient)
    cv::magnitude ( dx, dy, edgeMag ); //开平方
  else
    edgeMag = abs ( dx )+abs(dy) ; //绝对值之和近似
  //计算梯度方向 以及 非极大值抑制
  cv::Mat edgeMag_noMaxsup = cv::Mat::zeros ( rows, cols, CV_32FC1 );
  for (int r = 1; r < rows - 1; ++r){
    for (int c = 1; c < cols - 1; ++c){
      float x = dx.at<float> ( r, c );
      float y = dy.at<float> ( r, c );
      float angle = std::atan2f ( y, x ) / CV_PI * 180; //当前位置梯度方向
      float mag = edgeMag.at<float> ( r, c );  //当前位置梯度幅值
      //非极大值抑制
      //垂直边缘--梯度方向为水平方向-3*3邻域内左右方向比较
      if (abs ( angle )<22.5 || abs ( angle )>157.5){
        float left = edgeMag.at<float> ( r, c - 1 );
        float right = edgeMag.at<float> ( r, c + 1 );
        if (mag >= left && mag >= right)
          edgeMag_noMaxsup.at<float> ( r, c ) = mag;
      }
      //水平边缘--梯度方向为垂直方向-3*3邻域内上下方向比较
      if ((angle >= 67.5 && angle <= 112.5) || (angle >= -112.5 && angle <= -67.5)){
        float top = edgeMag.at<float> ( r - 1, c );
        float down = edgeMag.at<float> ( r + 1, c );
        if (mag >= top && mag >= down)
          edgeMag_noMaxsup.at<float> ( r, c ) = mag;
      }
      //+45°边缘--梯度方向为其正交方向-3*3邻域内右上左下方向比较
      if ((angle>112.5 && angle <= 157.5) || (angle>=-67.5 && angle <= -22.5)){
        float right_top = edgeMag.at<float> ( r - 1, c + 1 );
        float left_down = edgeMag.at<float> ( r + 1, c - 1 );
        if (mag >= right_top && mag >= left_down)
          edgeMag_noMaxsup.at<float> ( r, c ) = mag;
      }
      //+135°边缘--梯度方向为其正交方向-3*3邻域内右下左上方向比较
      if ((angle >= 22.5 && angle < 67.5) || (angle >= -157.5 && angle < -112.5)){
        float left_top = edgeMag.at<float> ( r - 1, c - 1 );
        float right_down = edgeMag.at<float> ( r + 1, c + 1 );
        if (mag >= left_top && mag >= right_down)
          edgeMag_noMaxsup.at<float> ( r, c ) = mag;
      }
    }
  }
  //双阈值处理及边缘连接
  edge = cv::Mat::zeros ( rows, cols, CV_8UC1 );
  for (int r = 1; r < rows - 1; ++r){
    for (int c = 1; c < cols - 1; ++c){
      float mag = edgeMag_noMaxsup.at<float> ( r, c );
      //大于高阈值,为确定边缘点
      if (mag >= TH)
        trace ( edgeMag_noMaxsup, edge, TL, r, c, rows, cols );
      else if (mag < TL)
        edge.at<uchar> ( r, c ) = 0;
    }
  }
}
int main ( ){
  cv::Mat src = cv::imread ( "1_01.tiff" );
  if (src.empty ( )){
    return -1;
  }
  if (src.channels ( ) > 1) cv::cvtColor ( src, src, CV_RGB2GRAY );
  cv::Mat edge, dst;
  //Canny
  Edge_Canny ( src, edge, 20, 60 );
  //opencv自带Canny
  cv::Canny ( src, dst, 30, 90 );
  cv::namedWindow ( "src", CV_WINDOW_NORMAL );
  imshow ( "src", src );
  cv::namedWindow ( "My_canny", CV_WINDOW_NORMAL );
  imshow ( "My_canny", edge );
  cv::namedWindow ( "Opencv_canny", CV_WINDOW_NORMAL );
  imshow ( "Opencv_canny", dst );
  cv::waitKey ( 0 );
  return 0;
}
目录
相关文章
|
6月前
|
算法 计算机视觉
OpenCV(二十六):边缘检测(二)
OpenCV(二十六):边缘检测(二)
53 0
|
6月前
|
计算机视觉
OpenCV(二十五):边缘检测(一)
OpenCV(二十五):边缘检测(一)
127 0
|
6月前
|
算法 计算机视觉 Python
OpenCV中Canny边缘检测和霍夫变换的讲解与实战应用(附Python源码)
OpenCV中Canny边缘检测和霍夫变换的讲解与实战应用(附Python源码)
396 0
|
5月前
|
算法 计算机视觉
【Qt&OpenCV 图像边缘检测 Sobel/Laplace/Canny】
【Qt&OpenCV 图像边缘检测 Sobel/Laplace/Canny】
67 0
|
6月前
|
计算机视觉
【OpenCV】-边缘检测汇总示例
【OpenCV】-边缘检测汇总示例
|
6月前
|
算法 计算机视觉
OpenCV高斯差分技术实现图像边缘检测
OpenCV高斯差分技术实现图像边缘检测
|
6月前
|
算法 数据可视化 计算机视觉
opencv Canny边缘检测(python)
opencv Canny边缘检测(python)
|
6月前
|
算法 C++ 计算机视觉
Opencv(C++)学习系列---Laplacian拉普拉斯边缘检测算法
Opencv(C++)学习系列---Laplacian拉普拉斯边缘检测算法
289 0
|
6月前
|
算法 计算机视觉 C++
Opencv(C++)学习系列---Sobel索贝尔算子边缘检测
Opencv(C++)学习系列---Sobel索贝尔算子边缘检测
160 0
|
6月前
|
算法 C++ 计算机视觉
Opencv(C++)学习系列---Canny边缘检测算法
Opencv(C++)学习系列---Canny边缘检测算法
183 0