sobel算子进行边缘检测 |
您所在的位置：网站首页 › sobel算子边缘检测优缺点 › sobel算子进行边缘检测 |
sobel算子进行边缘检测
|
使用sobel算子进行边缘检测的步骤如下：
1、高斯模糊，降噪。因为sobel算子对噪声比较敏感，因此要先对原图像进行高斯模糊，降噪2、将图像转换成灰度图像3、使用sobel函数，求x和y方向上的导数。4、将x方向的导数（边缘）和y方向的导数进行叠加。
（1）高斯模糊
//首先进行高斯模糊，降噪
Mat gauImage;
GaussianBlur(srcImage, gauImage, Size(3, 3), 0, 0, 4);
原图如下：
（2）转换成灰度图 //将图片转换成灰度图 Mat grayImage; cvtColor(gauImage, grayImage, COLOR_BGR2GRAY); （3）使用sobel函数 //进行x和y方向的soble算子 Mat xGrand, yGrand; Sobel(grayImage, xGrand, CV_16S, 1, 0, 3); convertScaleAbs(xGrand, xGrand); Sobel(grayImage, yGrand, CV_16S, 0, 1, 3); convertScaleAbs(yGrand, yGrand); 下面详细讲述一下x和y方向导数怎么求解。 对于一元连续函数的导数，我们直接通过公式求导就可以；对于多元连续函数的导数，我们需要求各个方向的偏导。但是对于存储在计算机中的图像来说，计算机只能够处理离散的像素值，不能够使用公式求解导数，因此只能够使用导数的定义来求解x和y方向的导数。比如求解x方向的导数：dx = I(i + 1) - I(i)；求解y方向的导数：dx = I(j + 1) - I(j)，某点的导数 = 该点x（y）方向的下一个像素值 - 该点的像素值，就可以得到该点x或者y方向的导数。 值得注意的是，因为sobel函数在求x或者y方向的导数时，使用的核是不一样的，得到的导数可能小于0，或者大于255，因此为了保护细节，最好选用16位（CV_16S）的输出图像的深度，并且调用convertScaleAbs（输出图像为8位），将所得结果尽可能的保护下来。 （4）将x和y方向的导数进行叠加方法一：使用线性混合的方法进行叠加 //进行线性混合叠加 Mat dst; addWeighted(xGrand, 0.5, yGrand, 0.5, 0, dst, -1);调用函数所需要的瞬间很短，得到的效果也很一般。最终的图片如下：
方法二：使用近似的方法，将x和y方向的导数进行相加 Mat dst = Mat :: zeros( xGrand.size(), yGrand.type()); //将x和y的梯度直接相加 int colsImage = srcImage.cols; int rowsImage = srcImage.rows; for (int row = 0; row < rowsImage; row++) { for (int col = 0; col < colsImage; col++) { int xValue = xGrand.at(row, col); int yValue = yGrand.at(row, col); dst.at(row, col) = saturate_cast(xValue + yValue); } }
这个方法消耗的时间较长，消耗了0.1s左右的时间，但是运行结果显而易见，获得了更多的细节和边缘。
方法三：根据勾股定理求出近似梯度 根据向量的加法，如果要求得图像整体的梯度，就要求x和y向量加法的模，也就是x和y构成的直角三角形的斜边。 具体代码如下： //使用勾股定理获得更多的细节 int colsImage = srcImage.cols; int rowsImage = srcImage.rows; for (int row = 0; row < rowsImage; row++) { for (int col = 0; col < colsImage; col++) { uchar xValue = xGrand.at(row, col); uchar yValue = yGrand.at(row, col); dst.at(row, col) = saturate_cast(sqrt(xValue * xValue + yValue * yValue)); } }
这个方法消耗的时间比方法二消耗的时间略长一些，但是效果和方法二相差不多。因此，从时间方面考虑，完全可以使用第二种方法代替第三种方法。
最终所有代码如下： #include #include #include using namespace cv; int main(int argc, char ** argv) { Mat srcImage = imread("1.jpg"); if (srcImage.empty()) { printf("could not load this picture\n"); return -1; } imshow("原图像", srcImage); //首先进行高斯模糊，降噪 Mat gauImage; GaussianBlur(srcImage, gauImage, Size(3, 3), 0, 0, 4); //将图片转换成灰度图 Mat grayImage; cvtColor(gauImage, grayImage, COLOR_BGR2GRAY); imshow("灰度图", grayImage); //进行x和y方向的soble算子 Mat xGrand, yGrand; Sobel(grayImage, xGrand, CV_16S, 1, 0, 3); convertScaleAbs(xGrand, xGrand); Sobel(grayImage, yGrand, CV_16S, 0, 1, 3); convertScaleAbs(yGrand, yGrand); //进行叠加 float t1 = getTickCount(); Mat dst = Mat :: zeros( xGrand.size(), yGrand.type()); //使用线性混合的方法 //addWeighted(xGrand, 0.5, yGrand, 0.5, 0, dst, -1); 将x和y的梯度直接相加 //int colsImage = srcImage.cols; //int rowsImage = srcImage.rows; //for (int row = 0; row < rowsImage; row++) { // for (int col = 0; col < colsImage; col++) { // uchar xValue = xGrand.at(row, col); // uchar yValue = yGrand.at(row, col); // dst.at(row, col) = saturate_cast(xValue + yValue); // } //} //使用勾股定理获得更多的细节 int colsImage = srcImage.cols; int rowsImage = srcImage.rows; for (int row = 0; row < rowsImage; row++) { for (int col = 0; col < colsImage; col++) { uchar xValue = xGrand.at(row, col); uchar yValue = yGrand.at(row, col); dst.at(row, col) = saturate_cast(sqrt(xValue * xValue + yValue * yValue)); } } float timeConsume = (getTickCount() - t1) / getTickFrequency(); printf("线性混合叠加消耗的时间是：%f\n", timeConsume); imshow("最终图像", dst); imwrite("finalImage.jpg", dst); waitKey(0); return 0; }
|
【本文地址】
今日新闻 |
推荐新闻 |