首页手记【OpenCV教程】滤波和边缘检测的过程

【OpenCV教程】滤波和边缘检测的过程

标签：

C++ 机器学习计算机视觉

1.均值滤波

1.1 卷积核形状


Mat kernal=Mat::ones(Size(ksize,ksize),CV_64F)/(ksize*ksize);

1.2 API


CV_EXPORTS_W void  blur( InputArray src, OutputArray dst,

Size ksize, Point anchor = Point(-1,-1),

int borderType = BORDER_DEFAULT );

参数如下

| 参数 | 含义 |

| ------------------ | -------------------------------------------- |

| src(source) | 输入图片 |

| dst(destination) | 输出图片 |

| ksize(kernal size) | 卷积核宽高，必须是正奇数 |

| anchor | 滤波器中心像素位置，取（-1，-1）表示几何中心 |

| borderType | 边界填充方式，默认为黑边 |

1.3 效果


Mat xuenai = imread("xuenai.jpg");

imshow("xuenai",xuenai);

Mat  xuenai_blur(xuenai.size(),xuenai.type());

blur(xuenai,xuenai_blur,Size(3,5));

imshow("xuenai_blur",xuenai_blur);

waitKey();

2.高斯滤波

2.1 卷积核形状

二维高斯函数表述为：

G(x,y)=\frac{1}{2 \pi \sigma^{2}}e{- \frac{(x-x_{0})^{{2}+(y-y_{0})}{2}}{2\sigma^{2}}}

对应图形：

代码实现（不区分sigmaX与sigmaY）


void  GetGaussianKernel(Mat  kernal, const  int  ksize,const  double  sigma)

{

const  double PI=4.0*atan(1.0); //圆周率π赋值

int center= ksize/2;

double sum=0;

for(int i=0;i<ksize;i++)

{

for(int j=0;j<ksize;j++)

{

kernal.ptr(i,j)=(1/(2*PI*sigma*sigma))*exp(-((i-center)*(i-center)+(j-center)*(j-center))/(2*sigma*sigma));

sum+=kernal.ptr(i,j);

}

}

  

for(int i=0;i<ksize;i++)

{

for(int j=0;j<ksize;j++)

{

kernal.ptr(i,j)/=sum;

}

}

return ;

}

2.2 API


CV_EXPORTS_W void  GaussianBlur( InputArray src, OutputArray dst, Size ksize,

double sigmaX, double sigmaY = 0,

int borderType = BORDER_DEFAULT );

参数如下

| 参数 | 含义 |

| ------------------ | ----------------------------------------------------------------------------------------------------------------------------- |

| src(source) | 输入图片 |

| dst(destination) | 输出图片 |

| ksize(kernal size) | 卷积核宽高。如果这个尺寸我们设其为非正数，那么OpenCV会从第五个参数sigmaSpace来计算出它来。 |

| sigmaX | x方向上的标准差 |

| sigmaY | y方向上的标准差。默认输入量为0，则将其设置为等于sigmaX，如果两个轴的标准差均为0，则根据输入的高斯滤波器尺寸计算标准偏差。 |

| borderType | 边界填充方式，默认为黑边 |

2.3 效果


Mat xuenai = imread("xuenai.jpg");

imshow("xuenai",xuenai);

Mat  xuenai_Gauss(xuenai.size(),xuenai.type());

GaussianBlur(xuenai,xuenai_Gauss,Size(-1,-1),10);

imshow("xuenai_Gauss",xuenai_Gauss);

waitKey();

3.中值滤波

3.1 原理

取滤波器内的中值作为输出，可以很好的抑制椒盐噪声

3.2 API


CV_EXPORTS_W void  medianBlur( InputArray src, OutputArray dst, int ksize );

参数如下

| 参数 | 含义 |

| ------------------ | ---------------------------- |

| src(source) | 输入图片 |

| dst(destination) | 输出图片 |

| ksize(kernal size) | 卷积核边长，必须是正奇数 |

3.3 效果


Mat xuenai = imread("xuenai.jpg");

imshow("xuenai",xuenai);

Mat  xuenai_median(xuenai.size(),xuenai.type());

medianBlur(xuenai,xuenai_median,5);

imshow("xuenai_median",xuenai_median);

waitKey();

4.高斯双边滤波

4.1 原理

双边滤波器的好处是可以做边缘保存（edge preserving），一般用高斯滤波去降噪，会较明显地模糊边缘，对于高频细节的保护效果并不明显。双边滤波器顾名思义比高斯滤波多了一个高斯方差sigma－d，它是基于空间分布的高斯滤波函数，所以在边缘附近，离的较远的像素不会太多影响到边缘上的像素值，这样就保证了边缘附近像素值的保存。但是由于保存了过多的高频信息，对于彩色图像里的高频噪声，双边滤波器不能够干净的滤掉，只能够对于低频信息进行较好的滤波。

4.2 API


CV_EXPORTS_W void  bilateralFilter( InputArray src, OutputArray dst, int d,

double sigmaColor, double sigmaSpace,

int borderType = BORDER_DEFAULT );

参数如下

| 参数 | 含义 |

| ---------------- | ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- |

| src(source) | 输入图片 |

| dst(destination) | 输出图片 |

| d | 卷积核边长。如果这个值我们设其为非正数，那么OpenCV会从第五个参数sigmaSpace来计算出它来。 |

| sigmaColor | 颜色空间滤波器的sigma值。这个参数的值越大，就表明该像素邻域内有更宽广的颜色会被混合到一起，产生较大的半相等颜色区域。 |

| sigmaSpace | 坐标空间中滤波器的sigma值，坐标空间的标注方差。他的数值越大，意味着越远的像素会相互影响，从而使更大的区域足够相似的颜色获取相同的颜色。当d>0，卷积核大小已被指定且与sigmaSpace无关。否则，d正比于sigmaSpace。 |

| borderType | 边界填充方式，默认为黑边 |

4.3 效果


Mat xuenai = imread("xuenai.jpg");

imshow("xuenai",xuenai);

Mat  xuenai_bilateral(xuenai.size(),xuenai.type());

bilateralFilter(xuenai,xuenai_bilateral,-1,100,10);

imshow("xuenai_bilateral",xuenai_bilateral);

waitKey();

5.获取用来形态学操作的滤波器


CV_EXPORTS_W Mat getStructuringElement(int shape, Size ksize, Point anchor = Point(-1,-1));

enum  MorphShapes {

MORPH_RECT = 0, //!< a rectangular structuring element: \f[E_{ij}=1\f]

MORPH_CROSS = 1, //!< a cross-shaped structuring element:

//!< \f[E_{ij} = \begin{cases} 1 & \texttt{if } {i=\texttt{anchor.y } {or } {j=\texttt{anchor.x}}} \\0 & \texttt{otherwise} \end{cases}\f]

MORPH_ELLIPSE = 2  //!< an elliptic structuring element, that is, a filled ellipse inscribed

//!< into the rectangle Rect(0, 0, esize.width, 0.esize.height)

};

shape：滤波器形状

ksize(kernal size)：滤波器大小

anchor：滤波器中心像素位置，取（-1，-1）表示几何中心

6.腐蚀和膨胀（对二值图）

6.1 原理

腐蚀：取滤波器内的最小值作为输出

膨胀：取滤波器内的最大值作为输出

6.2 腐蚀API


CV_EXPORTS_W void  erode( InputArray src, OutputArray dst, InputArray kernel,

Point anchor = Point(-1,-1), int iterations = 1,

int borderType = BORDER_CONSTANT,

const Scalar& borderValue = morphologyDefaultBorderValue() );

参数如下

| 参数 | 含义 |

| ---------------- | -------------------------------------------- |

| src(source) | 输入图片，尽量是二值图 |

| dst(destination) | 输出图片 |

| kernal | 滤波器矩阵 |

| anchor | 滤波器中心像素位置，取（-1，-1）表示几何中心 |

| iterations | 执行erode函数的次数，默认执行一次 |

| borderType | 边界填充方式，默认为黑边 |

| borderValue | 填充边界的值 |

6.3 效果


Mat xuenai = imread("xuenai.jpg");

Mat  xuenai_gray(xuenai.size(),xuenai.type());

cvtColor(xuenai,xuenai_gray,COLOR_BGR2GRAY);

Mat  xuenai_threshold(xuenai.size(),xuenai.type());

threshold(xuenai_gray,xuenai_threshold,100,255,THRESH_BINARY);

imshow("xuenai_threshold",xuenai_threshold);

  

Mat kernal=getStructuringElement(MORPH_RECT,Size(3,3));

  

Mat  xuenai_erode(xuenai.size(),xuenai.type());

erode(xuenai_threshold,xuenai_erode,kernal);

imshow("xuenai_erode",xuenai_erode);

waitKey();

6.4 膨胀API


CV_EXPORTS_W void  dilate( InputArray src, OutputArray dst, InputArray kernel,

Point anchor = Point(-1,-1), int iterations = 1,

int borderType = BORDER_CONSTANT,

const Scalar& borderValue = morphologyDefaultBorderValue() );

参数如下

| 参数 | 含义 |

| ---------------- | -------------------------------------------- |

| src(source) | 输入图片，尽量是二值图 |

| dst(destination) | 输出图片 |

| kernal | 滤波器矩阵 |

| anchor | 滤波器中心像素位置，取（-1，-1）表示几何中心 |

| iterations | 执行erode函数的次数，默认执行一次 |

| borderType | 边界填充方式，默认为黑边 |

| borderValue | 填充边界的值 |

6.5 效果


Mat xuenai = imread("xuenai.jpg");

Mat  xuenai_gray(xuenai.size(),xuenai.type());

cvtColor(xuenai,xuenai_gray,COLOR_BGR2GRAY);

Mat  xuenai_threshold(xuenai.size(),xuenai.type());

threshold(xuenai_gray,xuenai_threshold,100,255,THRESH_BINARY);

imshow("xuenai_threshold",xuenai_threshold);

  

Mat kernal=getStructuringElement(MORPH_RECT,Size(3,3));

  

Mat  xuenai_dilate(xuenai.size(),xuenai.type());

dilate(xuenai_threshold,xuenai_dilate,kernal);

imshow("xuenai_dilate",xuenai_dilate);

waitKey();

7.形态学操作（对二值图）

7.1 API


CV_EXPORTS_W void  morphologyEx( InputArray src, OutputArray dst,

int op, InputArray kernel,

Point anchor = Point(-1,-1), int iterations = 1,

int borderType = BORDER_CONSTANT,

const Scalar& borderValue = morphologyDefaultBorderValue() );

参数如下

| 参数 | 含义 |

| ---------------- | -------------------------------------------- |

| src(source) | 输入图片，尽量是二值图 |

| dst(destination) | 输出图片 |

| op(option) | 变换类型 |

| kernal | 滤波器矩阵 |

| anchor | 滤波器中心像素位置，取（-1，-1）表示几何中心 |

| iterations | 执行erode函数的次数，默认执行一次 |

| borderType | 边界填充方式，默认为黑边 |

| borderValue | 填充边界的值 |

7.2 变换类型


enum  MorphTypes{

MORPH_ERODE = 0, //腐蚀

  

MORPH_DILATE = 1, //膨胀

  

MORPH_OPEN = 2, //开

MORPH_CLOSE = 3, //闭

MORPH_GRADIENT = 4, //形态学梯度

MORPH_TOPHAT = 5, //顶帽

MORPH_BLACKHAT = 6, //黑帽

  

MORPH_HITMISS = 7  //击中击不中变换

  

};

7.3 开

原理

对输入图片先进行腐蚀，然后进行膨胀。可以用来屏蔽与滤波器大小相当的亮部。

效果


Mat xuenai = imread("xuenai.jpg");

Mat  xuenai_gray(xuenai.size(),xuenai.type());

cvtColor(xuenai,xuenai_gray,COLOR_BGR2GRAY);

Mat  xuenai_threshold(xuenai.size(),xuenai.type());

threshold(xuenai_gray,xuenai_threshold,100,255,THRESH_BINARY);

imshow("xuenai_threshold",xuenai_threshold);

  

Mat kernal=getStructuringElement(MORPH_RECT,Size(3,3));

  

Mat  xuenai_morphology(xuenai.size(),xuenai.type());

morphologyEx(xuenai_threshold,xuenai_morphology,MORPH_OPEN,kernal);

imshow("xuenai_morphology",xuenai_morphology);

waitKey();

7.4 闭

原理

对输入图片先进行膨胀，然后进行腐蚀。可以用来屏蔽与滤波器大小相当的暗部。

效果


Mat xuenai = imread("xuenai.jpg");

  

Mat  xuenai_gray(xuenai.size(),xuenai.type());

cvtColor(xuenai,xuenai_gray,COLOR_BGR2GRAY);

Mat  xuenai_threshold(xuenai.size(),xuenai.type());

threshold(xuenai_gray,xuenai_threshold,100,255,THRESH_BINARY);

imshow("xuenai_threshold",xuenai_threshold);

  

Mat kernal=getStructuringElement(MORPH_RECT,Size(3,3));

  

Mat  xuenai_morphology(xuenai.size(),xuenai.type());

morphologyEx(xuenai_threshold,xuenai_morphology,MORPH_CLOSE,kernal);

imshow("xuenai_morphology",xuenai_morphology);

waitKey();

7.5 顶帽

原理

对输入图片先进行开操作，然后原图-开操作图。可以用来提取与滤波器大小相当的亮部。

效果


Mat xuenai = imread("xuenai.jpg");

  

Mat  xuenai_gray(xuenai.size(),xuenai.type());

cvtColor(xuenai,xuenai_gray,COLOR_BGR2GRAY);

Mat  xuenai_threshold(xuenai.size(),xuenai.type());

threshold(xuenai_gray,xuenai_threshold,100,255,THRESH_BINARY);

imshow("xuenai_threshold",xuenai_threshold);

  

Mat kernal=getStructuringElement(MORPH_RECT,Size(3,3));

  

Mat  xuenai_morphology(xuenai.size(),xuenai.type());

morphologyEx(xuenai_threshold,xuenai_morphology,MORPH_TOPHAT,kernal);

imshow("xuenai_morphology",xuenai_morphology);

waitKey();

7.6 黑帽

原理

对输入图片先进行闭操作，然后闭操作图-原图。可以用来提取与滤波器大小相当的暗部。

效果


Mat xuenai = imread("xuenai.jpg");

  

Mat  xuenai_gray(xuenai.size(),xuenai.type());

cvtColor(xuenai,xuenai_gray,COLOR_BGR2GRAY);

Mat  xuenai_threshold(xuenai.size(),xuenai.type());

threshold(xuenai_gray,xuenai_threshold,100,255,THRESH_BINARY);

imshow("xuenai_threshold",xuenai_threshold);

  

Mat kernal=getStructuringElement(MORPH_RECT,Size(3,3));

  

Mat  xuenai_morphology(xuenai.size(),xuenai.type());

morphologyEx(xuenai_threshold,xuenai_morphology,MORPH_BLACKHAT,kernal);

imshow("xuenai_morphology",xuenai_morphology);

waitKey();

7.7 形态学梯度

原理

膨胀图与腐蚀图之差。可以用来 提取边界轮廓 ，但提取效果比不上专业的边缘检测算法。

效果


Mat xuenai = imread("xuenai.jpg");

  

Mat  xuenai_gray(xuenai.size(),xuenai.type());

cvtColor(xuenai,xuenai_gray,COLOR_BGR2GRAY);

Mat  xuenai_threshold(xuenai.size(),xuenai.type());

threshold(xuenai_gray,xuenai_threshold,100,255,THRESH_BINARY);

imshow("xuenai_threshold",xuenai_threshold);

  

Mat kernal=getStructuringElement(MORPH_RECT,Size(3,3));

  

Mat  xuenai_morphology(xuenai.size(),xuenai.type());

morphologyEx(xuenai_threshold,xuenai_morphology,MORPH_GRADIENT,kernal);

imshow("xuenai_morphology",xuenai_morphology);

waitKey();

7.8 击中击不中变换

原理

击中击不中变换由下面三步构成：

用结构元素B1来腐蚀输入图像

用结构元素B2来腐蚀输入图像的补集

前两步结果的与运算

结构元素B1和B2可以结合为一个元素B。例如：

结构元素：左B1（击中元素），中B2（击不中元素），右B（两者结合）

本例中，我们寻找这样一种结构模式，中间像素属于背景，其上下左右属于前景，其余领域像素忽略不计（背景为黑色，前景为白色）。然后用上面的核在输入图像中找这种结构。从下面的输出图像中可以看到，输入图像中只有一个位置满足要求。

输入的二值图像：

输出的二值图像：

8.边缘检测：选择合适的输出深度

参照以下表格

| int sdepth | int ddepth |

| :------------ | :------------------- |

| CV_8U | CV_16S/CV_32F/CV_64F |

| CV_16U/CV_16S | CV_32F/CV_64F |

| CV_32F | CV_32F/CV_64F |

| CV_64F | CV_64F |

8.1 normalize归一化函数


CV_EXPORTS_W void  normalize( InputArray src, InputOutputArray dst, double alpha = 1, double beta = 0,

int norm_type = NORM_L2, int dtype = -1, InputArray mask = noArray());

参数如下

| 参数 | 含义 |

| ---------------- | ------------------------------------------------------------------------------------------------------------------------------------------------------------ |

| src(source) | 输入数组 |

| dst(destination) | 输出数组 |

| alpha | 如果norm_type为NORM_MINMAX ，则alpha为最小值或最大值；如果norm_type为其他类型，则为归一化要乘的系数 |

| beta | 如果norm_type为NORM_MINMAX ，则beta为最小值或最大值；如果norm_type为其他类型，beta被忽略. |

| norm_type | 归一化类型，详见下面的内容 |

| iterations | 执行erode函数的次数，默认执行一次 |

| dtype | 输出数组的深度，若输入-1则表示与src一致。如果不能判断需要的深度，则可以输入-1然后使用convertScaleAbs绝对值化，这也是最推荐的做法，而不推荐自己判断深度。 |

| mask | 掩码，用于指示函数是否仅仅对指定的元素进行操作。大小必须与src保持一致。具体用法见8.1.4 |

归一化类型（只介绍常用的四种）


enum  NormTypes {

NORM_INF = 1,

NORM_L1 = 2,

NORM_L2 = 4,

NORM_L2SQR = 5,

NORM_HAMMING = 6,

NORM_HAMMING2 = 7,

NORM_TYPE_MASK = 7, //!< bit-mask which can be used to separate norm type from norm flags

NORM_RELATIVE = 8, //!< flag

NORM_MINMAX = 32  //!< flag

};

NORM_L1

P=\frac{A_i}{\sum\left | A_i \right | } \cdot alpha

NORM_L2

P=\frac{A_i}{ \sqrt{\sum A_i^2} } \cdot alpha

NORM_INF

P=\frac{A_i}{ \max \left | A_i \right | } \cdot alpha

NORM_MINMAX(recommended)

P=\frac{A_k}{ \max A_i - \min A_i } \cdot \left | alpha-beta \right | + \min(alpha,beta)

8.2 convertScaleAbs绝对值化


CV_EXPORTS_W void  convertScaleAbs(InputArray src, OutputArray dst,

double alpha = 1, double beta = 0);

参数如下

| 参数 | 含义 |

| ---------------- | -------- |

| src(source) | 输入图片 |

| dst(destination) | 输出图片 |

9.sobel（对灰度图）

9.1 卷积核形状（ksize=3）


Mat kernalX=Mat_<int>(Size(3,3))<<(-1,0,1

-2,0,2

-1,0,1);

Mat kernalY=Mat_<int>(Size(3,3))<<(-1,-2,1

0,0,0

1,2,1);

9.2 API


CV_EXPORTS_W void  Sobel( InputArray src, OutputArray dst, int ddepth,

int dx, int dy, int ksize = 3,

double scale = 1, double delta = 0,

int borderType = BORDER_DEFAULT );

参数如下

| 参数 | 含义 |

| ------------------------- | ------------------------------- |

| src(source) | 输入图片，数据类型Mat |

| dst(destination) | 输出图片，数据类型Mat |

| ddepth(destination depth) | 输出图片的深度（CV_16F） |

| dx | x方向导数的阶数，一般取1 |

| dy | y方向导数的阶数，一般取1 |

| ksize(kernal size) | 卷积核边长，默认为3 |

| scale | 生成图与原图的缩放比例，默认为1 |

| delta | 额外的增量，默认为0 |

| borderType | 边界填充方式，默认为黑边 |

9.3 流程

用cvtColor函数转灰度图
在x,y方向上分别各调用一次Sobel
用convertScaleAbs函数转换到CV_8U，否则无法显示
用addWeighted函数把两张输出图片加在一起

9.4 同时在x,y方向上调用Sobel和分开调用的效果对比


Mat xuenai = imread("xuenai.jpg");

imshow("xuenai", xuenai);

  

//转灰度图

Mat  xuenai_gray(xuenai.size(),xuenai.type());

cvtColor(xuenai,xuenai_gray,COLOR_BGR2GRAY);

  

//同时在x,y方向上调用Sobel

Mat  xuenai_sobel1(xuenai.size(),xuenai.type());

Sobel(xuenai_gray,xuenai_sobel1,CV_16S,1,1,3);

convertScaleAbs(xuenai_sobel1,xuenai_sobel1);

imshow("xuenai_sobel1",xuenai_sobel1);

  

//在x,y方向上分别各调用一次Sobel

Mat  xuenai_xsobel(xuenai.size(),xuenai.type());Mat  xuenai_ysobel(xuenai.size(),xuenai.type());Mat  xuenai_sobel2(xuenai.size(),xuenai.type());

Sobel(xuenai_gray,xuenai_xsobel,CV_16S,1,0,3);

convertScaleAbs(xuenai_xsobel,xuenai_xsobel);

Sobel(xuenai_gray,xuenai_ysobel,CV_16S,0,1,3);

convertScaleAbs(xuenai_ysobel,xuenai_ysobel);

addWeighted(xuenai_xsobel,0.5,xuenai_ysobel,0.5,0,xuenai_sobel2);

imshow("xuenai_sobel2",xuenai_sobel2);

waitKey();

可以看到效果差了很多

10.scharr（对灰度图）

10.1 卷积核形状（ksize恒定为3）

虽然Sobel算子可以有效的提取图像边缘，但是对图像中较弱的边缘提取效果较差。因此为了能够有效的提取出较弱的边缘，需要将像素值间的差距增大，因此引入Scharr算子。Scharr算子是对Sobel算子差异性的增强，因此两者之间的在检测图像边缘的原理和使用方式上相同。


Mat kernalX=Mat_<int>(Size(3,3))<<(-3,0,3

-10,0,10

-3,0,3);

Mat kernalY=Mat_<int>(Size(3,3))<<(-3,-10,3

0,0,0

3,10,3);

10.2 API


CV_EXPORTS_W void  Scharr( InputArray src, OutputArray dst, int ddepth,

int dx, int dy, double scale = 1, double delta = 0,

int borderType = BORDER_DEFAULT );

参数如下

| 参数 | 含义 |

| ------------------------- | ------------------------------- |

| src(source) | 输入图片，数据类型Mat |

| dst(destination) | 输出图片，数据类型Mat |

| ddepth(destination depth) | 输出图片的深度（CV_16F） |

| dx | x方向导数的阶数，一般取1 |

| dy | y方向导数的阶数，一般取1 |

| scale | 生成图与原图的缩放比例，默认为1 |

| delta | 额外的增量，默认为0 |

| borderType | 边界填充方式，默认为黑边 |

10.3 流程

用cvtColor函数转灰度图
在x,y方向上分别各调用一次Scharr
用convertScaleAbs函数转换到CV_8U，否则无法显示
用addWeighted函数把两张输出图片加在一起

11.Laplacian（对灰度图）

11.1 卷积核形状（ksize=3）


Mat kernal=Mat_<int>(Size(3,3))<<(0,-1,0

-1,4,-1

0,-1,0);

Laplacian算子的卷积核形状决定了它 对噪声非常敏感 ，因此，通常需要通过 滤波平滑处理 。

11.2 API


CV_EXPORTS_W void  Laplacian( InputArray src, OutputArray dst, int ddepth,

int ksize = 1, double scale = 1, double delta = 0,

int borderType = BORDER_DEFAULT );

参数如下

| 参数 | 含义 |

| ------------------------- | ------------------------------- |

| src(source) | 输入图片，数据类型Mat |

| dst(destination) | 输出图片，数据类型Mat |

| ddepth(destination depth) | 输出图片的深度（CV_16F） |

| scale | 生成图与原图的缩放比例，默认为1 |

| delta | 额外的增量，默认为0 |

| borderType | 边界填充方式，默认为黑边 |

11.3 流程

用中值滤波等操作平滑处理
用cvtColor函数转灰度图
用Laplacian函数处理
用convertScaleAbs函数转换到CV_8U，否则无法显示

12.Canny（recommended）

12.1 API


CV_EXPORTS_W void  Canny( InputArray image, OutputArray edges,

double threshold1, double threshold2,

int apertureSize = 3, bool L2gradient = false );

参数如下

| 参数 | 含义 |

| ------------ | --------------------------------------------------------------------------------------------------------------------------------------------- |

| image | 输入图片，数据类型Mat |

| edges | 输出图片，数据类型Mat |

| threshold1 | 最小阈值 |

| threshold2 | 最大阈值 |

| apertureSize | Sobel卷积核的大小，默认为3。核越大，对噪声越不敏感，但是边缘检测的错误也会随之增加 |

| L2gradient | 计算图像梯度幅度的标识，默认为false，表示L1范数（直接将两个方向的导数的绝对值相加）。如果使用true，表示L2范数（两个方向的导数的平方和再开方） |

高于threshold2被认为是真边界，低于threshold1被抛弃，介于二者之间，则取决于是否与真边界相连。

12.2 流程

用中值滤波等操作平滑处理
用Canny函数处理 （不支持原地运算）

12.3 效果


Mat xuenai = imread("xuenai.jpg");

imshow("xuenai",xuenai);

  

Mat  xuenai_canny(xuenai.size(),xuenai.type());

Canny(xuenai,xuenai_canny,60,150);

imshow("xuenai_canny",xuenai_canny);

waitKey();

13.添加噪声

为了检测算法的稳定性，常常需要在图片中人为地添加一些噪声来进行检验。

13.1 椒盐噪声


static  void  addSaltNoise(const  Mat& src,Mat& dst,int  num=1000)

{

dst=src.clone();

for (int k = 0; k < num; k++)

{

//随机取值行列，得到像素点(i,j)

int i = rand() % dst.rows;

int j = rand() % dst.cols;

//修改像素点(i,j)的像素值

for(int channel=0;channel<src.channels();channel++){

dst.ptr(i,j)[channel]=255;

}

}

for (int k = 0; k < num; k++)

{

//随机取值行列

default_random_engine engine;

uniform_int_distribution<unsigned>u(0,10000);

int i = rand() % dst.rows;

int j = rand() % dst.cols;

//修改像素点(i,j)的像素值

for(int channel=0;channel<src.channels();channel++){

dst.ptr(i,j)[channel]=0;

}

}

return;

}

src(source)：输入图片

dst(destination)：输出图片

num(number)：噪声的个数

13.2 高斯噪声


static  void  addGaussianNoise(const  Mat& src,Mat& dst,InputArray  meanValue=10,InputArray  std=36){

dst=src.clone();

//构造高斯噪声矩阵

Mat noise(dst.size(),dst.type());

RNG rng(time(NULL));

rng.fill(noise, RNG::NORMAL, meanValue, std);

//将高斯噪声矩阵与原图像叠加得到含噪图像

dst+=noise;

return ;

}

src(source)：输入图片

dst(destination)：输出图片

meanValue：高斯函数均值

std(standard deviation)：高斯函数标准差

随机数填充矩阵


void RNG::fill( InputOutputArray  mat, int  distType, InputArray  a, InputArray  b, bool  saturateRange = false );

参数如下

| 参数 | 含义 |

| -------------------------- | ------------------------------------------------------------------------------------------------------------------------------------------------------ |

| mat | 输入输出矩阵，最多支持4通道，超过4通道先用reshape()改变结构 |

| distType(distination type) | 可选UNIFORM 或 NORMAL，分别表示均匀分布和高斯分布 |

| a | disType是UNIFORM,a表示下界(闭区间)；disType是NORMAL,a表示均值 |

| b | disType是UNIFORM,b表示上界(开区间)；disType是NORMAL,b表示标准差 |

| saturateRange | 只针对均匀分布有效。当为真的时候，会先把产生随机数的范围变换到数据类型的范围，再产生随机数；如果为假，会先产生随机数，再进行截断到数据类型的有效区间。 |

点击查看更多内容

为 TA 点赞

若觉得本文不错，就分享一下吧！

评论

评论

共同学习，写下你的评论

评论加载中...

展开查看更多评论

作者其他优质文章

正在加载中

UnderTurrets

学生

手记
篇

粉丝

1

获赞与收藏

2

关注作者，订阅最新文章

阅读免费教程

Android Studio 编辑器教程

40个小节 12266 255

后端通用面试教程

41个小节 32769 370

网络编程入门教程

20个小节 13618 256

推荐

1

收藏

共同学习，写下你的评论



感谢您的支持，我会继续努力的～

扫码打赏，你说多少就多少

赞赏金额会直接到老师账户

支付方式

打开微信扫一扫，即可进行扫码打赏哦

今天注册有机会得

100积分直接送

付费专栏免费学

大额优惠券免费领

立即参与放弃机会

点击
抽奖

慕课手记新用户专享福利

恭喜你，你的运气太好了，居然抽中了 100个积分！

恭喜你，抽中了价值元的专栏！

太棒了，直接落到你账户里！

积分商城里的罗技鼠标、机械键盘、
Kindle 阅读器、小米平衡车
Apple iPad （10.2英寸）、大额优惠券
在等着你去兑换了噢

作者：

免费赠送

兑换码：1111222211 复制

优惠券可用于购买实战课、体系课
无门槛使用

先去看看，有什么好东西马上兑换我爱学习，选课去


热搜

最近搜索清空

【OpenCV教程】滤波和边缘检测的过程

1.均值滤波

1.1 卷积核形状

1.2 API

1.3 效果

2.高斯滤波

2.1 卷积核形状

2.2 API

2.3 效果

3.中值滤波

3.1 原理

3.2 API

3.3 效果

4.高斯双边滤波

4.1 原理

4.2 API

4.3 效果

5.获取用来形态学操作的滤波器

6.腐蚀和膨胀（对二值图）

6.1 原理

6.2 腐蚀API

6.3 效果

6.4 膨胀API

6.5 效果

7.形态学操作（对二值图）

7.1 API

7.2 变换类型

7.3 开

原理

效果

7.4 闭

原理

效果

7.5 顶帽

原理

效果

7.6 黑帽

原理

效果

7.7 形态学梯度

原理

效果

7.8 击中击不中变换

原理

8.边缘检测：选择合适的输出深度

8.1 normalize归一化函数

归一化类型（只介绍常用的四种）

8.2 convertScaleAbs绝对值化

9.sobel（对灰度图）

9.1 卷积核形状（ksize=3）

9.2 API

9.3 流程

9.4 同时在x,y方向上调用Sobel和分开调用的效果对比

10.scharr（对灰度图）

10.1 卷积核形状（ksize恒定为3）

10.2 API

10.3 流程

11.Laplacian（对灰度图）

11.1 卷积核形状（ksize=3）

11.2 API

11.3 流程

12.Canny（recommended）

12.1 API

12.2 流程

12.3 效果

13.添加噪声

13.1 椒盐噪声

13.2 高斯噪声

随机数填充矩阵

阅读免费教程