Opencv和C++实现canny边缘检测

Canny边缘检测主要包括：

图像的灰度化；
图像的高斯滤波，来平滑图像，同时消除和降低图像噪声的影响；
计算出每一个像素点位置的梯度（X方向梯度、Y方向梯度、已经该点的梯度幅值）和方向角度；Y方向和X方向梯度的比值，得出梯度方向，X梯度的平方和+Y梯度的平方和的值，再进行求平方得到该点的梯度幅值。（Sobel算子等）
局部非极大值抑制处理；梯度方向垂直于边缘方向，在梯度方向上进行非极大值抑制可以细化边缘，在梯度方向上比较该点前后两个点的梯度的大小，如果大于两个点则保留，小于任意一个点则置为0。
双阈值处理和连接处理；指定高低阈值，然后高阈值直接赋值为255，低阈值为0，中间的值进行连接处理。如果中间的值八邻域内有255，则该值也变为255，也就是说255往周围进行扩张，收集边缘加闭合边缘。

Canny算法思路参考下面的博客：
https://blog.csdn.net/dcrmg/article/details/52344902
https://www.cnblogs.com/love6tao/p/5152020.html

我在下面直接给出可以运行的C++代码（Opencv2.4.9）

#include <iostream>
#include "opencv2/opencv.hpp"using namespace std;
using namespace cv;/*
生成高斯卷积核 kernel
*/
void Gaussian_kernel(int kernel_size, int sigma, Mat &kernel)
{const double PI = 3.1415926;int m = kernel_size / 2;kernel = Mat(kernel_size, kernel_size, CV_32FC1);float s = 2 * sigma*sigma;for (int i = 0; i < kernel_size; i++){for (int j = 0; j < kernel_size; j++){int x = i - m;int y = j - m;kernel.at<float>(i, j) = exp(-(x*x + y*y) / s) / (PI*s);}}
}/*
计算梯度值和方向
imageSource 原始灰度图
imageX X方向梯度图像
imageY Y方向梯度图像
gradXY 该点的梯度幅值
pointDirection 梯度方向角度
*/
void GradDirection(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);//PX[i*stepXY + j*(stepXY / step)] = abs(gradX);//PY[i*stepXY + j*(stepXY / step)] = abs(gradY);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);}/*
局部非极大值抑制
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；
imageInput 输入得到梯度图像
imageOutput 输出的非极大值抑制图像
theta 每个像素点的梯度方向角度
imageX X方向梯度
imageY Y方向梯度
*/
void NonLocalMaxValue(const Mat imageInput, Mat &imageOutput, const Mat &theta, const Mat &imageX, const Mat &imageY)
{imageOutput = imageInput.clone();int cols = imageInput.cols;int rows = imageInput.rows;for (int i = 1; i < rows - 1; i++){for (int j = 1; j < cols - 1; j++){if (0 == imageInput.at<uchar>(i, j))continue;int g00 = imageInput.at<uchar>(i - 1, j - 1);int g01 = imageInput.at<uchar>(i - 1, j);int g02 = imageInput.at<uchar>(i - 1, j + 1);int g10 = imageInput.at<uchar>(i , j - 1);int g11 = imageInput.at<uchar>(i, j);int g12 = imageInput.at<uchar>(i , j + 1);int g20 = imageInput.at<uchar>(i + 1, j - 1);int g21 = imageInput.at<uchar>(i + 1, j);int g22 = imageInput.at<uchar>(i + 1, j + 1);int direction = theta.at<int>(i, j); //该点梯度的角度值int g1 = 0; int g2 = 0;int g3 = 0;int g4 = 0;double tmp1 = 0.0; //保存亚像素点插值得到的灰度数double tmp2 = 0.0;double weight = fabs((double)imageY.at<uchar>(i, j) / (double)imageX.at<uchar>(i, j));if (weight == 0)weight = 0.0000001;if (weight > 1){weight = 1 / weight;}if ((0 <= direction && direction < 45) || 180 <= direction &&direction < 225){tmp1 = g10*(1 - weight) + g20*(weight);tmp2 = g02*(weight)+g12*(1 - weight);}if ((45 <= direction && direction < 90) || 225 <= direction &&direction < 270){tmp1 = g01*(1 - weight) + g02*(weight);tmp2 = g20*(weight)+g21*(1 - weight);}if ((90 <= direction && direction < 135) || 270 <= direction &&direction < 315){tmp1 = g00*(weight)+g01*(1 - weight);tmp2 = g21*(1 - weight) + g22*(weight);}if ((135 <= direction && direction < 180) || 315 <= direction &&direction < 360){tmp1 = g00*(weight)+g10*(1 - weight);tmp2 = g12*(1 - weight) + g22*(weight);}if (imageInput.at<uchar>(i, j) < tmp1 || imageInput.at<uchar>(i, j) < tmp2){imageOutput.at<uchar>(i,j) = 0;}}}}/*
双阈值的机理是：
指定一个低阈值A，一个高阈值B，一般取B为图像整体灰度级分布的70%，且B为1.5到2倍大小的A；
灰度值小于A的，置为0,灰度值大于B的，置为255；
*/
void DoubleThreshold(Mat &imageInput, const double lowThreshold, const double highThreshold)
{int cols = imageInput.cols;int rows = imageInput.rows;for (int i = 0; i < rows; i++){for (int j = 0; j < cols; j++){double temp = imageInput.at<uchar>(i, j);temp = temp>highThreshold ? (255) : (temp);temp = temp < lowThreshold ? (0) : (temp);imageInput.at<uchar>(i, j) = temp;}}}
/*
连接处理:
灰度值介于A和B之间的，考察该像素点临近的8像素是否有灰度值为255的，
若没有255的，表示这是一个孤立的局部极大值点，予以排除，置为0；
若有255的，表示这是一个跟其他边缘有“接壤”的可造之材，置为255，
之后重复执行该步骤，直到考察完之后一个像素点。其中的邻域跟踪算法，从值为255的像素点出发找到周围满足要求的点，把满足要求的点设置为255，
然后修改i,j的坐标值，i,j值进行回退，在改变后的i,j基础上继续寻找255周围满足要求的点。
当所有连接255的点修改完后，再把所有上面所说的局部极大值点置为0；（算法可以继续优化）。参数1，imageInput：输入和输出的梯度图像
参数2，lowTh:低阈值
参数3，highTh:高阈值
*/
void DoubleThresholdLink(Mat &imageInput,double lowTh,double highTh)
{int cols = imageInput.cols;int rows = imageInput.rows;for (int i = 1; i < rows - 1; i++){for (int j = 1; j < cols - 1; j++){double pix = imageInput.at<uchar>(i, j);if (pix != 255)continue;bool change = false;for (int k = -1; k <= 1; k++){for (int u = -1; u <= 1; u++){if (k == 0 && u == 0)continue;double temp = imageInput.at<uchar>(i + k, j + u);if (temp >= lowTh && temp <= highTh){imageInput.at<uchar>(i + k, j + u) = 255;change = true;}}}if (change){if (i > 1)i--;if (j > 2)j -= 2;}}}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;}}}
}int main()
{Mat image = imread("test.jpg");imshow("origin image", image);//转换为灰度图Mat grayImage;cvtColor(image, grayImage, CV_RGB2GRAY);imshow("gray image", grayImage);//高斯滤波Mat gausKernel;int kernel_size = 5;double sigma = 1;Gaussian_kernel(kernel_size, sigma, gausKernel);Mat gausImage;filter2D(grayImage, gausImage, grayImage.depth(), gausKernel);imshow("gaus image", gausImage);//计算XY方向梯度Mat imageX, imageY, imageXY;Mat theta;GradDirection(grayImage, imageX, imageY, imageXY , theta);imshow("XY grad", imageXY);//对梯度幅值进行非极大值抑制Mat localImage;NonLocalMaxValue(imageXY, localImage, theta,imageX,imageY);;imshow("Non local maxinum image", localImage);//双阈值算法检测和边缘连接DoubleThreshold(localImage, 60, 100);DoubleThresholdLink(localImage, 60, 100);imshow("canny image", localImage);Mat temMat;Canny(image, temMat, 60, 100);imshow("opencv canny image", temMat);waitKey(0);return 0;
}

Opencv和C++实现canny边缘检测相关推荐

OpenCV学习笔记九-Canny边缘检测
关于Canny边缘检测算法 Canny边缘检测算法主要是在其它边缘检测算子的基础上提出了改进,改进点在于提出了非极大值抑制和阈值检测.非极大值抑制消除了非边缘的但是梯度值较大的点,阈值检测使得不连续的 ...
【opencv学习】【Canny边缘检测】
今天学习下 Canny检测,具体的算法介绍在代码中展示. import cv2 import numpy as np# 边缘检测,边缘点的特征就是梯度大,一般非边缘点,梯度就偏小甚至是0 # Cann ...
opencv 自带库Canny边缘检测
#include "opencv2/imgproc/imgproc.hpp" #include "opencv2/highgui/highgui.hpp" in ...
OpenCV 笔记（03）— 读取视频、通过摄像头采集视频、采集视频 canny 边缘检测
我们本节学习如何利用 OpenCV 中的 VideoCapture 类,来对视频进行读取显示,以及调用摄像头. VideoCapture 它提供了从摄像机或视频文件捕获视频的 C++ 接口, 作用是从 ...
OpenCV 笔记（02）— 图像显示、保存、腐蚀、模糊、canny 边缘检测（imread、imshow、namedWindow、imwrite）
OpenCV 提供两种用户界面选项: 基于原生用户界面的基本界面,适用于 Mac OS X 的 cocoa 或 carbon,以及适用于 Linux 或 Windows 用户界面的 GTK ,这些界面 ...
OpenCV+python：Canny边缘检测算法
1,边缘处理图像边缘信息主要集中在高频段,通常说图像锐化或检测边缘,实质就是高频滤波.我们知道微分运算是求信号的变化率,具有加强高频分量的作用. 在空域运算中来说,对图像的锐化就是计算微分.由于数字 ...
Python，Opencv cv2.Canny()边缘检测
Python,Opencv的Canny边缘检测 1. 效果图 2. 源码参考这篇博客将介绍Canny边缘检测的概念,并利用cv2.Canny()实现边缘检测: Canny边缘检测是一种流行的边缘检 ...
【OpenCV 】Sobel 导数/Laplace 算子/Canny 边缘检测
canny边缘检测见OpenCV [七]----边缘提取算子(图像边缘提取)--canny算法的原理及实现 1 Sobel 导数 1.1.1 原因上面两节我们已经学习了卷积操作.一个最重要的卷积运算 ...
opencv Canny边缘检测用法
<span style="color:#000080">1. cv2.Canny(image, threshold1, threshold2[, edges[, ape ...

Opencv和C++实现canny边缘检测

Opencv和C++实现canny边缘检测相关推荐

最新文章

热门文章