Opencv和C++实现canny边缘检测_opencv边缘增强-CSDN博客
一、canny实现步骤
1、图像必须是单通道的，也就是说必须是灰度图像
2、图像进行高斯滤波，去掉噪点
3、sobel 算子过程的实现，计算x y方向 、梯度（用不到，但是可以看看xy 两个组合起来的结果）
以及梯度方向（很重要）
4、局部非极大值抑制
5、双阈值连接处理
具体可以分为上面的5个步骤，下面一起边看原理边实现。
二、原理与实现
1、图像灰度化
如果是一张3通道的图像，也就是我们常见的彩色图，那么们就需要将其转换成一个灰度图，其规则如下：
1.浮点算法：Gray = R*0.3 + G*0.59 + B*0.11
2.整数方法：Gray = (R*30+G*59+B*11)/100
3.移位方法：Gray = (R*28+G*151+B*77）>> 8
4.平均值法：Gray = (R+G+B)/3
5.仅取绿色：Gray = G
但是通常我们自己实现一般都是拿第一种实现的。
OpenCV转灰度图像特别简单，只需调用函数 cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) 即可。
code：
void ConvertRGB2GRAY(const Mat& image, Mat& imageGray)
{
if (!image.data || image.channels() != 3)
{
return;
}
// 创建一个单通道的灰度图像
imageGray = Mat::zeros(image.size(), CV_8UC1);
// 取出存储图像的数组的指针
uchar* pointImage = image.data;
uchar* pointImageGray = imageGray.data;
int stepImage = image.step;
int stepImageGray = imageGray.step;
for (int i = 0; i < imageGray.rows; i++)
{
for (int j = 0; j < imageGray.cols; j++)
{
pointImageGray[i * stepImageGray + j] = 0.114 * pointImage[i * stepImage + 3 * j] + 0.587 * pointImage[i * stepImage + 3 * j + 1] + 0.299 * pointImage[i * stepImage + 3 * j + 2];
}
}
}
2、高斯滤波
在高斯滤波的时候先要生成一个2元高斯核，然后进行高斯滤波，其作用是去掉噪点，其图像变的平滑起来
二元高斯函数
随着sigma的增大，整个高斯函数的尖峰逐渐减小，整体也变的更加平缓，则对图像的平滑效果越来越明显。
高斯核
代码里面最后一定要归一化
void CreateGaussianKernel(int kernel_size, int sigma, Mat& kernel)
{
const double PI = 3.1415926;
int center = kernel_size / 2;
kernel = Mat(kernel_size, kernel_size,CV_32FC1);
float segma_pow = 2 * sigma * sigma;
float sum = 0;
// 二元高斯函数
for (size_t i = 0; i < kernel_size; i++)
{
for (size_t j= 0; j < kernel_size; j++)
{
float temp = ((i - center) * (i - center) + (j - center) * (j - center) )/ segma_pow;
kernel.at<float>(i, j) = 1 / (PI * segma_pow) * exp(-temp);
sum += kernel.at<float>(i, j);
}
}
// 归一化
for (size_t i = 0; i < kernel_size; i++)
{
for (size_t j = 0; j < kernel_size; j++)
{
kernel.at<float>(i, j) = kernel.at<float>(i, j)/sum;
}
}
}
5*5 的高斯核，那个核数一般是不能超过11 ，超过11 其效果均值一样了
高斯滤波
//******************高斯滤波*************************
//第一个参数imageSource是待滤波原始图像；
//第二个参数imageGaussian是滤波后输出图像；
//第三个参数 kernel 是一个指向含有N个double类型数组；
//第四个参数size是滤波核的尺寸
//*************************************************************
void GaussianFilter(const Mat& imageSource, Mat& imageGaussian, Mat& kernel, int size)
{
if (!imageSource.data|| imageSource.channels()!=1)
{
return;
}
imageGaussian = Mat::zeros(imageSource.size(),CV_8UC1);
float gaussArray[100];
// 将 kernel 的方阵 变成一个一维度数组 这样在循环的时候啊就少了一次内循环
int m = 0;
for (size_t i = 0; i < kernel.rows; i++)
{
for (size_t j = 0; j < kernel.cols; j++)
{
gaussArray[m] = kernel.at<float>(i,j);
m++;
}
}
//滤波
for (int i = 0; i < imageSource.rows; i++)
{
for (int j = 0; j < imageSource.cols; j++)
{
int k = 0;
for (int l = -size / 2; l <= size / 2; l++)
{
for (int g = -size / 2; g <= size / 2; g++)
{
//以下处理针对滤波后图像边界处理，为超出边界的值赋值为边界值
int row = i + l;
int col = j + g;
row = row < 0 ? 0 : row;
row = row >= imageSource.rows ? imageSource.rows - 1 : row;
col = col < 0 ? 0 : col;
col = col >= imageSource.cols ? imageSource.cols - 1 : col;
//卷积和
imageGaussian.at<uchar>(i, j) += gaussArray[k] * imageSource.at<uchar>(row, col);
k++;
}
}
}
}
}
void TestGaussian()
{
Mat kernel;
CreateGaussianKernel(5, 1, kernel);
// 打印 高斯核
for (int i = 0; i < kernel.rows; i++)
{
for (int j = 0; j < kernel.cols; j++)
{
cout << " " << kernel.at<float>(i, j);
}
cout << endl;
}
Mat src = imread("C:\\Users\\alber\\Desktop\\opencv_images\\529.jpg");
Mat dst, imageGaussian;
ConvertRGB2GRAY(src, dst);
imwrite("C:\\Users\\alber\\Desktop\\opencv_images\\1\\1.jpg", dst);
GaussianFilter(dst, imageGaussian, kernel, 5);
imwrite("C:\\Users\\alber\\Desktop\\GaussianFilter.jpg", imageGaussian);
}
3、实现sobel 算子
推导出X Y方向的核
【精选】Opencv 笔记5 边缘处理-canny、sobel、Laplacian、Prewitt_opencv 边缘处理_Σίσυφος1900的博客-CSDN博客
gradient =||dx||+||dy||
theta= atan(gradY / gradX) * 57.3 注意这里的角度转换
//******************Sobel算子计算X、Y方向梯度 以及 梯度方向角********************
//第一个参数imageSourc原始灰度图像；
//第二个参数imageSobelX是X方向梯度图像；
//第三个参数imageSobelY是Y方向梯度图像；
//第四个参数 theta 是梯度方向角数组指针 下一步很重要 就是要用这个值来计算
//*************************************************************
void SobelGradDirction(const Mat imageSource, Mat& imageX, Mat& imageY, Mat& gradXY, Mat& theta)
{
imageX = Mat::zeros(imageSource.size(), CV_32SC1);
imageY = Mat::zeros(imageSource.size(), CV_32SC1);
gradXY = Mat::zeros(imageSource.size(), CV_32SC1);
theta = Mat::zeros(imageSource.size(), CV_32SC1);
int rows = imageSource.rows;
int cols = imageSource.cols;
int stepXY = imageX.step;
int step = imageSource.step;
/*
Mat.step参数指图像的一行实际占用的内存长度，
因为opencv中的图像会对每行的长度自动补齐（8的倍数），
编程时尽量使用指针，指针读写像素是速度最快的，使用at函数最慢。
*/
uchar* PX = imageX.data;
uchar* PY = imageY.data;
uchar* P = imageSource.data;
uchar* XY = gradXY.data;
for (int i = 1; i < rows - 1; i++)
{
for (int j = 1; j < cols - 1; j++)
{
int a00 = P[(i - 1) * step + j - 1];
int a01 = P[(i - 1) * step + j];
int a02 = P[(i - 1) * step + j + 1];
int a10 = P[i * step + j - 1];
int a11 = P[i * step + j];
int a12 = P[i * step + j + 1];
int a20 = P[(i + 1) * step + j - 1];
int a21 = P[(i + 1) * step + j];
int a22 = P[(i + 1) * step + j + 1];
double gradY = double(a02 + 2 * a12 + a22 - a00 - 2 * a10 - a20);
double gradX = double(a00 + 2 * a01 + a02 - a20 - 2 * a21 - a22);
imageX.at<int>(i, j) = abs(gradX);
imageY.at<int>(i, j) = abs(gradY);
if (gradX == 0)
{
gradX = 0.000000000001;
}
theta.at<int>(i, j) = atan(gradY / gradX) * 57.3;
theta.at<int>(i, j) = (theta.at<int>(i, j) + 360) % 360;
gradXY.at<int>(i, j) = sqrt(gradX * gradX + gradY * gradY);
//XY[i*stepXY + j*(stepXY / step)] = sqrt(gradX*gradX + gradY*gradY);
}
}
convertScaleAbs(imageX, imageX);
convertScaleAbs(imageY, imageY);
convertScaleAbs(gradXY, gradXY);
}
这个不明显，所以我打算换个图像test
4、局部非极大值抑制
这里我们就要用到上面一步在sobel里面计算求得的x y 方向以及梯度方向的那些 东西了。
原理：
拿到当前点的梯度方向[0,360]，判断其在那个区域,计算梯度方向（一个方向，两个值）在不同权重下（w=dy/dx）的灰度值t1 t2， 最后判断当前点灰度值current 和t1 t2的大小比较，如果当前值current小于t1 t2中的任何一个那么，当前的点就不会是边缘的候选点，current=0；
下面我们看一下梯度的分布：
[0-45] U[180-225]
[45-90] U[225-270]
[90-135] U[270-315]
[135-180] U[315-360]
code:
/// <summary>
/// 局部极大值抑制 ，计算八领域 沿着该点梯度方向，比较前后两个点的幅值大小，若该点大于前后两点，则保留，若该点小于前后两点任意一点，则置为0；
/// </summary>
/// <param name="imageInput"> 输入的图像</param>
/// <param name="imageOutput"></param>
/// <param name="theta"></param>
/// <param name="imageX"> </param>
/// <param name="imageY"></param>
void NonLocalMaxValue(const Mat imageInput, Mat& imageOutput, const Mat& theta, const Mat& imageX, const Mat& imageY)
{
if (!imageInput.data || imageInput.channels() != 1)
{
return;
}
imageOutput = imageInput.clone();
int rows = imageOutput.rows;
int cols = imageOutput.cols;
int g00, g01, g02, g10, g11, g12, g20, g21, g22;
int g1, g2, g3, g4;
for (size_t i = 1; i < rows-1; i++)
{
for (size_t j = 1; j < cols-1; j++)
{
// 第一行
g00 = imageOutput.at<uchar>(i - 1, j - 1);
g01 = imageOutput.at<uchar>(i - 1, j);
g02 = imageOutput.at<uchar>(i - 1, j+1);
// 第二行
g10 = imageOutput.at<uchar>(i , j - 1);
g11 = imageOutput.at<uchar>(i , j);
g12 = imageOutput.at<uchar>(i, j + 1);
// 第三行
g20 = imageOutput.at<uchar>(i+1, j - 1);
g21 = imageOutput.at<uchar>(i+1, j);
g22 = imageOutput.at<uchar>(i+1, j + 1);
// 当前点的梯度方向
int direction = theta.at<int>(i, j);
g1 = 0;
g2 = 0;
g3 = 0;
g4 = 0;
// 保存亚像素点插值得到的灰度值
double t1 = 0;
double t2 = 0;
// 计算权重
double w = fabs((double)imageY.at<uchar>(i,j) / (double)imageX.at<uchar>(i, j));
if (w==0)
{
w = 0.0000001;
}
if (w>1)
{
w = 1 / w;
}
// g00 g01 g02
// g10 g11 g12
// g20 g21 g22
// ================================
if ((0 <= direction && direction < 45) || 180 <= direction && direction < 225)
{
t1 = g10 * (1 - w) + g20 * (w);
t2 = g02 * (w)+g12 * (1 - w);
}
if ((45 <= direction && direction < 90) || 225 <= direction && direction < 270)
{
t1 = g01 * (1 - w) + g02 * (w);
t2 = g20 * (w)+g21 * (1 - w);
}
if ((90 <= direction && direction < 135) || 270 <= direction && direction < 315)
{
t1 = g00 * (w)+g01 * (1 - w);
t2 = g21 * (1 - w) + g22 * (w);
}
if ((135 <= direction && direction < 180) || 315 <= direction && direction < 360)
{
t1 = g00 * (w)+g10 * (1 - w);
t2 = g12 * (1 - w) + g22 * (w);
}
if (imageInput.at<uchar>(i,j)<t1 || imageInput.at<uchar>(i, j) < t2)
{
imageOutput.at<uchar>(i, j) = 0;
}
}
}
}
5、 双阈值连接处理
双阈值处理
给定一个高阈值high 一个低阈值low, low*[1.5,2]=high 这个是给定规则
判断条件就是
当前current<low ，那么current=0
low<current<hight current 不处理
current>hight current=255
/// <summary>
/// 双阈值原理：
/// 制定一个低阈值 L 一个 高阈值 H，一般取H为整体图像灰度分布的 7成 并且H为1.5-2L
/// 灰度值<L gray=0, gray>H gray=255;
/// </summary>
/// <param name="imageIn"></param>
/// <param name="low"></param>
/// <param name="hight"></param>
void DoubleThreshold(Mat& imageIn, const double low, const double hight)
{
if (!imageIn.data || imageIn.channels() != 1)
{
return;
}
int rows = imageIn.rows;
int cols = imageIn.cols;
double gray;
for (size_t i = 0; i < rows ; i++)
{
for (size_t j = 0; j < cols ; j++)
{
gray = imageIn.at<uchar>(i, j);
gray = gray > hight ? (255) : (gray < low) ? (0) : gray;
imageIn.at<uchar>(i, j) = gray;
}
}
}
将边缘链接起来
经过上每一步的双阈值处理，我们基本上已经拿到了边缘点的候选点，下一步就是将这些边缘点联合起来，组成一个边缘轮廓
这里我们再次使用双阈值的机制 low 和 hight 和当前点的灰度值current
规则如下： current 的8邻域的灰度值 M介于【low，hight】中，有，可能是边缘点，这个领域的点M=255 ，并且回退 ， 如果领域类没有 说明这个点是一个孤立的点 不做处理，
最后判断图像中所有的点，不是255 就是0 ，生成边缘
void DoubleThresholdLink(Mat& imageInput, double lowTh, double highTh)
{
if (!imageInput.data || imageInput.channels() != 1)
{
return;
}
int rows = imageInput.rows;
int cols = imageInput.cols;
double gray;
for (size_t i = 1; i < rows-1; i++)
{
for (size_t j = 1; j < cols-1; j++)
{
gray = imageInput.at<uchar>(i, j);
if (gray==255)
{
continue;
}
bool reback = false;
// 寻找8领域中是否有介于low 和hight 的值
for (size_t k = -1; k < 2; k++)
{
for (size_t l= -1; l < 2; l++)
{
if (k == 0 && l == 0) //当前点
{
continue;
}
double t = imageInput.at<uchar>(i + k, j + l);
if (t>= lowTh&& t<highTh)
{
imageInput.at<uchar>(i + k, j + l) = 255;
reback = true;
}
}
}
// 回退
if (reback)
{
if (i > 1) i--;
if (j > 2)j -= 2;
}
}
}
// 最后调整
for (int i = 0; i < rows; i++)
{
for (int j = 0; j < cols; j++)
{
if (imageInput.at<uchar>(i, j) != 255)
{
imageInput.at<uchar>(i, j) = 0;
}
}
}
}
opencv 库结果：
还是用opencv库吧，结果比这个好多了
三、halcon 效果对比
halcon的效果更好
code
read_image (Grayimage, 'C:/Users/alber/Desktop/opencv_images/1/grayImage.jpg')
edges_sub_pix (Grayimage, Edges, 'canny', 1, 20, 40)
