僅自學做筆記用,后續(xù)有錯誤會更改

理論

1. 卷積的應用 - 圖像邊緣提?。?/li>

• 邊緣是什么：是像素值發(fā)生躍遷的地方， 是圖像的顯著特征之一， 再圖像特征提取丶對象檢測丶模式識別等方面都有重要作用
• 如何捕捉/提取邊緣：對圖像求它的一階導數(shù)，delta = f(x) - f(x-1), delta值越大， 說明像素在x方向變化越大，邊緣信號越強
  
• 如果你已經(jīng)忘記了數(shù)學求導什么的概念， 也不用擔心， 直接用Sobel算子進行卷積操作就可以了！

2. Sobel算子

• 是離散微分算子(discrete differentiation operator), 用來計算圖像灰度的近似梯度
• Sobel算子功能集合了 高斯模糊和微分求導
• 又被稱為一階微分算子，求導算子，在水平和垂直兩個方向求導，得到圖像X方向與Y方向的梯度圖像
  
• 求取導數(shù)的近似值(上圖的實際應用公式)， kernel=3時不是很準確，容易受到干擾， Opencv使用改進版本Scharr函數(shù)， 算子如下:
  

3. Sobel算子邊緣提取步驟：

• 先把原圖像進行高斯模糊操作
• 再把圖像轉(zhuǎn)灰度圖
• 再通過Sobel算子求X梯度和Y梯度
• 線性混合X與Y的梯度圖（可以不使用addweighted接口，而是手動去寫， 去掉權(quán)重α與1-α的影響，可以使最后的圖更明顯）,得到最終的振幅圖像

相關(guān)API

cv::Sobel(
InputArray src, //輸入圖像
OutputArray dst, //輸出圖像
int depth, //輸出圖像深度，填-1表示跟輸入圖像一致, 由于灰度圖是CV_8U，所以Sobel一般使用CV_16S/CV_32F， 需要比輸入的灰度圖的深度更高， 結(jié)果才會更明顯
int dx, //x方向，幾階導數(shù), sobel取1
int dy, //y方向，幾階導數(shù), sobel取1
int ksize, //算子(kernel)大小，Sobel算子必須是奇數(shù), 常見的是3
double scale = 1, //輸出圖像放大或縮小倍數(shù)
double delta = 0, //偏移量
int borderType = BORDER_DEFAULT
)

cv::Scharr(
InputArray src, //輸入圖像
OutputArray dst, //輸出圖像
int depth, //輸出圖像深度，填-1表示跟輸入圖像一致, 由于灰度圖是CV_8U，所以Sobel一般使用CV_16S/CV_32F， 需要比輸入的灰度圖的深度更高， 結(jié)果才會更明顯
int dx, //x方向，幾階導數(shù), sobel取1
int dy, //y方向，幾階導數(shù), sobel取1
int ksize, //算子(kernel)大小，Sobel算子必須是奇數(shù), 常見的是3
double scale = 1, //輸出圖像放大或縮小倍數(shù)
double delta = 0, //偏移量
int borderType = BORDER_DEFAULT
)

代碼示例

using namespace cv;
int main(int argc, char** argv){
	Mat src,dst;
	int ksize = 0;
	src = imread(...);
	if( !src.data ){
		return -1;
	}
	//原圖
	char INPUT_WIN[] = "input image";
	namedWindow(INPUT_WIN, CV_WINDOW_AUTOSIZE);
	imshow(INPUT_WIN, src);
	//先高斯模糊， 再轉(zhuǎn)灰度圖
	Mat gray_src;
	GaussianBlur(src, dst, Size(3,3), 0, 0);
	cvtColor(dst, gray_src, CV_BGR2GRAY);
	imshow("gray image",gray_src);
	
	/*//cv::Scharr操作,  可以看最后的效果截圖， 它的提取效果非常強烈, 根本不怕干擾
	Mat xgrad, ygrad;
	Scharr(gray_src, xgrad, CV_16S, 1, 0);
	Scharr(gray_src, ygrad, CV_16S, 0, 1);*/
	//cv::Sobel操作(輸出深度為CV_16S,且有convertScaleAbs轉(zhuǎn)換)
	Mat xgrad, ygrad;
	Scharr(gray_src, xgrad, CV_16S, 1, 0);
	Scharr(gray_src, ygrad, CV_16S, 0, 1);
	Sobel(gray_src, xgrad, CV_16S, 1, 0, 3);	//這里為什么用CV_16S， 因為灰度圖是CV_8U，我們設置輸出圖像的深度比灰度圖更大， 就可以容納更大的特征值， 提取效果也就更明顯， 你也可以填-1等同于輸入圖像的深度，但是反正不能小于輸入圖像的深度。
	Sobel(gray_src, ygrad, CV_16S, 0, 1, 3);
	convertScaleAbs(xgrad, xgrad);			    //這個函數(shù)的作用是保證Sobel算子操作過后有些負數(shù)結(jié)果值不被置為0， 也就是不被截取掉
	convertScaleAbs(ygrad, ygrad);
	imshow("xgrad", xgrad);
	imshow("ygrad", ygrad);
	
	/*//cv::Sobel操作(輸出深度填-1,且沒有convertScaleAbs轉(zhuǎn)換)
	Mat xgrad, ygrad;
	Sobel(gray_src, xgrad, -1, 1, 0, 3);
	Sobel(gray_src, ygrad, -1, 0, 1, 3);
	imshow("xgrad", xgrad);
	imshow("ygrad", ygrad);*/


	//最終線性混合圖：手動寫線性混合，去掉權(quán)重影響, 可以看最后的效果截圖，更明顯
	Mat xygrad = Mat(xgrad.size(), xgrad.type());
	int width = xgrad.cols;
	int height = ygrad.rows;
	for(int row = 0; row < weight; row++){
		for(int col = 0;col < width;col++){
			int xg = xgrad.at<uchar>(row, col);
			int yg = ygrad.at<uchar>(row, col);										//因為灰度圖是CV_8U，所以用uchar
			int xy = xg + yg;																	//直接相加， 沒有權(quán)重影響， 更亮更明顯
			xygrad.at<uchar>(row, col) = saturate_cast<uchar>(xy);	//saturate_cast這個東西的作用是保證最終值不超過0~255
		}
	}
	imshow("Final Result", xygrad);
	
	/*//最終線性混合圖：直接調(diào)用addWeighted接口
	Mat xygrad;
	addWeighted(xgrad, 0.5, ygrad, 0.5, 0, xygrad);
	imshow("Final Result", xygrad);*/

	waitKey(0);
	return 0;
}

效果截圖：
使用cv::Sobel(兩個方向的輸出深度都填CV_16S且有convertScaleAbs轉(zhuǎn)換) x梯度圖 與 y梯度圖：

使用cv::Sobel(兩個方向的輸出深度都填-1且沒有convertScaleAbs轉(zhuǎn)換) x梯度圖 與 y梯度圖：

使用cv::Sobel(兩個方向的輸出深度都填CV_16S且有convertScaleAbs轉(zhuǎn)換, 直接調(diào)用addWeighted接口) 最終線性混合圖：

使用cv::Sobel(兩個方向的輸出深度都填CV_16S且有convertScaleAbs轉(zhuǎn)換, 手動寫線性混合) 最終線性混合圖：

使用cv::Scharr(兩個方向的輸出深度都填CV_16S且有convertScaleAbs轉(zhuǎn)換, 且手動寫線性混合) 最終線性混合圖：
文章來源地址http://www.zghlxwxcb.cn/news/detail-443359.html

到了這里，關(guān)于【OpenCV學習】第16課:圖像邊緣提取 - Sobel算子詳細剖析(圖像梯度)的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！