Android智能识别 - 银行卡区域裁剪（原理篇）

在 Android智能识别 - 银行卡区域裁剪一文中我们用了如下几行代码，获取发现银行卡的轮廓：

    // 梯度增强 , x 轴和 y 轴Mat grad_x, grad_y;Scharr(blur, grad_x, CV_32F, 1, 0);Scharr(blur, grad_y, CV_32F, 0, 1);Mat grad_abs_x, grad_abs_y;convertScaleAbs(grad_x, grad_abs_x);convertScaleAbs(grad_y, grad_abs_y);Mat grad;addWeighted(grad_abs_x, 0.5, grad_abs_y, 0.5, 0, grad);

轮廓发现是图像图形处理中最常见的一个操作，Opencv 到底提供了哪些轮廓检测的方法？其内部的实现原理是怎样的？为啥我在上面要用 Scharr ？下面我们就来做一个彻底的刨析。

Opencv 为我们提供了常用的四个方法 Sobel() Scharr() Laplacian() Canny() 用来处理边缘检测，当然还可以自定义卷积操作来实现，但这里我们先不做考虑。

1. Sobel 算子

Sobel算子如果光从核上面去看，根本什么都不知道，我们得去看他的原理。

他的原理就是利用导数求解边缘，我们知道像素差别大的时候那么它的切点越陡峭，那么这个时候就找到了边缘！Sobel 算子检测方法对灰度渐变和噪声较多的图像处理效果较好，但 Sobel 算子对边缘定位不是很准确，图像的边缘不止一个像素。

2. Scharr 算子

这个滤波是Sobel的升级版，原理是一样的，就是实现的近似代替不一样，说白了就事核改进了。

3. Laplacian 算子

拉普拉斯边缘检测是通过二阶倒数，从上面的一阶倒数的理解就不难发现二阶倒数是怎么进行的了。二阶倒数比一阶倒数的好处是在与受到周围的干扰小，其不具有方向性，操作容易，且对于很多方向的图像处理好。Laplacian 算子法对噪声比较敏感，所以很少用该算子检测边缘，而是用来判断边缘像素视为与图像的明区还是暗区。

4. Canny 算子

这是比较新的算法，运用的也是最广泛的。Canny的步骤是：

1.给一张图片，先进行滤波消除干扰，滤波之前已经说明。
2.计算梯度（进行 Sobel/Scharr 算子）
3.非极大值抑制。
4.滞后阈值。

非极大值抑制：从字面上的理解就是从一群数据中找到真正的极大值，对于不是极大值的省略或者抑制显示。我们来想一下，Sobel算子计算的值就是边缘的值吗？算子是固定的，那就有很大的几率会计算到不是边缘的数据。计算的结果不会省略不好的点，也不会去加强好的点，所以显示就不明显。我们的目的就是改进上面两个点，对于第一个点，我们得比较那些计算的点进行比较，把不好点舍去。高等数学中有 “梯度” 的这个概念，就是数据下降或者上升最快的方向，简单的说就是求导切线的方向！

void Canny(InputArray image, // 输入OutputArray edges,// 输出double threshold1, // 低阈值double threshold2, // 高阈值int apertureSize = 3, // 卷积核大小bool L2gradient = false );// 采用何种方式做梯度合并

视频地址：https://pan.baidu.com/s/1BHGR6hcunmgS5m_NGK_x2Q
视频密码：dtvq