《opencv实用探索·十二》opencv之laplacian(拉普拉斯)边缘检测,Scharr边缘检测,Log边缘检测

1、Laplacian算子

Laplacian(拉普拉斯)算子是一种二阶导数算子,其具有旋转不变性,可以满足不同方向的图像边缘锐化(边缘检测)的要求。同时,在图像边缘处理中,二阶微分的边缘定位能力更强,锐化效果更好,因此在进行图像边缘处理时,直接采用二阶微分算子而不使用一阶微分。

通常情况下,其算子的系数之和需要为零。 Laplacian算子具有各方向同性的特点,能够对任意方向的边缘进行提取,具有无方向性的优点,因此使用Laplacian算子提取边缘不需要分别检测X方向的边缘和Y方向的边缘,只需要一次边缘检测即可。Laplacian算子是一种二阶导数算子,对噪声比较敏感,因此常需要配合高斯滤波一起使用。

Laplacian使用的卷积核如下:

像素点的近似导数值计算:

左图是 Laplacian 算子,右图是一个简单图像,其中有 9 个像素点。

计算像素点 P5 的近似导数值,如下:

P5 = (P2 + P4 + P6 + P8) - 4*P5

下面是一些实际计算的例子:

在左图中,像素点 P5 与周围像素点的值相差较小,得到的计算结果值较小,边缘不明显。

在中间的图中,像素点 P5 与周围像素点的值相差较大,得到的计算结果值较大,边缘较明显。

在右图中,像素点 P5 与周围像素点的值相差较大,得到的计算结果值较大,边缘较明显。

需要注意,在上述卷积核与图像进行卷积运算后,计算结果的值可能为正数,也可能为负数。所以,需要对计算结果取绝对值,以保证后续运算和显示都是正确的。

opencv之Laplacian接口调用:

cpp 复制代码
void Laplacian( InputArray src, OutputArray dst, int ddepth,
                             int ksize = 1, double scale = 1, double delta = 0,
                             int borderType = BORDER_DEFAULT );

src:输入图像,可以是任意通道数的图像,但通常是单通道灰度图像。

dst:输出图像,与输入图像src具有相同的尺寸和通道数

ddepth:输出图像的深度,若src为CV_8U,则可取-1/CV_16S/CV_32F/CV_64F;若src为CV_16U/CV_16S,可取-1/CV_32F/CV_64F;若src为CV_32F,可取-1/CV_32F/CV_64F;若src为CV_64F,可取-1/CV_64F。,当赋值为-1时,输出图像的数据类型自动选择。

ksize:用于计算二阶导数的核尺寸大小,必须为正奇数。

scale:对导数计算结果进行缩放的缩放因子,默认系数为1,表示不进行缩放。也称对比度

delta:偏值,在计算结果中加上偏值。也称亮度

borderType:像素外推法选择标志,默认参数为BORDER_DEFAULT,表示不包含边界值倒序填充。

ddepth说明:

ddepth 参数表示输出图像的深度,即输出图像的数据类型。它决定了输出图像中像素值的数据范围和存储格式。

常见的选项包括:

CV_8U:8位无符号整数,表示范围为 [0, 255]。

CV_16U:16位无符号整数,表示范围为 [0, 65535]。

CV_16S:16位有符号整数,表示范围为 [-32768, 32767]。

CV_32F:32位浮点数。

CV_64F:64位浮点数。

选择合适的深度类型取决于你的应用和对图像数据的要求。例如,如果你希望保留边缘检测操作中的负值,可能会选择使用浮点数类型(如 CV_64F),因为它可以存储负数。如果你只关心边缘的存在与否而不关心边缘的方向,那么使用无符号整数类型可能更合适。

在Laplacian算子中,通常选择 CV_16S 或 CV_64F 作为 ddepth,因为Laplacian操作可能产生负值,而这些负值在 CV_8U 类型中会被截断为零。在显示图像之前,通常需要对结果进行取绝对值(cv::abs())并进行数据类型转换。

下面代码为使用拉普拉斯检测边缘的一个demo:

cpp 复制代码
#include <opencv2/opencv.hpp>
#include <iostream>

int main() 
{  
    //载入原始图
    Mat src = imread("1.jpg");
    //【1】定义变量
    Mat src_gray, dst, abs_dst;
    //【2】显示原图
    imshow("原始图", src);
    //【3】使用高斯滤波消除噪声
    GaussianBlur(src, src, Size(3, 3), 0);
    //【4】转为灰度图
    cvtColor(src, src_gray, COLOR_BGR2GRAY);
    //【5】Laplacian查找边缘
    Laplacian(src_gray, dst, CV_16S, 3);

    //【6】计算绝对值,并将结果转为8位
    convertScaleAbs(dst, abs_dst);

    //【7】显示效果图
    imshow("Laplacian变换", abs_dst);
    cout << "Laplacian算法输出图像的通道" << abs_dst.channels() << endl;

    waitKey(0);
    destroyAllWindows();

    return 0;
}

效果图如下,左边是原图,右边是拉普拉斯边缘检测图:

2、Scharr 算子

scharr算子和sobel的原理一致(sobel算子看上一章内容),但scharr算子对于边界的梯度计算效果更精确

他们的区别在于:

(1)是Gx和Gy参数的大小不同,也就是卷积核中各元素的权不同,其他都一样,scharr算子对于边界的梯度计算效果更精确;

(2)Scharr算子的核设计更加平滑,这使得其在一定程度上对噪声具有更好的鲁棒性;

(3)由于Scharr算子的核更复杂,因此在计算上可能相对Sobel算子更为耗时。

在实际应用中,选择Scharr还是Sobel通常取决于具体的场景和需求。如果对边缘的敏感度较高,并且噪声较少,Scharr算子可能是一个更好的选择。如果计算效率和简单性更为重要,那么Sobel算子可能更适合。

Scharr在X和Y轴方向的卷积核如下:

opencv之Scharr算子接口说明:

cpp 复制代码
void Scharr( InputArray src, OutputArray dst, int ddepth,
                          int dx, int dy, double scale = 1, double delta = 0,
                          int borderType = BORDER_DEFAULT )

src: 输入图像,可以是任意通道数的图像。

dst: 输出图像,算法的结果将存储在这里。

ddepth: 输出图像的深度,若src为CV_8U,则可取-1/CV_16S/CV_32F/CV_64F;若src为CV_16U/CV_16S,可取-1/CV_32F/CV_64F;若src为CV_32F,可取-1/CV_32F/CV_64F;若src为CV_64F,可取-1/CV_64F。,当赋值为-1时,输出图像的数据类型自动选择。

dx 和 dy: x 和 y 方向的导数阶数,通常为 0 或 1。0表示这个方向上没有求导。

scale: 可选参数,表示缩放因子,默认为1。

delta: 可选参数,表示在卷积结果上加上的偏置,默认为0。

borderType: 可选参数,用于指定边界模式,默认为 cv::BORDER_DEFAULT

代码演示:

cpp 复制代码
#include <opencv2/opencv.hpp>
#include <iostream>

int main() 
{  
    // 读取图像
    cv::Mat image = cv::imread("1.jpg", cv::IMREAD_GRAYSCALE);

    // 检查图像是否成功读取
    if (image.empty()) {
        std::cerr << "Error: Could not read the image." << std::endl;
        return -1;
    }

    // 应用Scharr算子分别获取X和Y方向一阶边缘
    cv::Mat scharrX, scharrY;
    cv::Scharr(image, scharrX, CV_16S, 1, 0);
    cv::Scharr(image, scharrY, CV_16S, 0, 1);

   
   // 计算绝对值,并将结果转为8位
  // 因为卷积操作可能产生负值,而这些负值在 CV_8U 类型中会被截断为零。在显示图像之前,通常需要对结果进行取绝对值(cv::abs())并进行数据类型转换。
    convertScaleAbs(scharrX, scharrX);
    convertScaleAbs(scharrY, scharrY);

    // 显示原始图像和Scharr算子的输出
    cv::imshow("Original Image", image);
    cv::imshow("Gradient Magnitude", scharrX + scharrY);

    waitKey(0);![在这里插入图片描述](https://img-blog.csdnimg.cn/direct/8899b12d049441cb8d7d24a110581414.png)

    destroyAllWindows();

    return 0;
}

效果图如下,左边是原图,右边是Scharr边缘检测图

3、Log算子

LoG(Laplacian of Gaussian)算子结合了高斯滤波和拉普拉斯边缘检测,用于检测图像中的边缘。LoG算子首先对图像进行高斯平滑,然后应用拉普拉斯算子。这有助于减少噪声的影响,并突出图像中的边缘。

在OpenCV中,cv::GaussianBlur和cv::Laplacian函数可以用于实现LoG算子的操作。

cpp 复制代码
#include <opencv2/opencv.hpp>
#include <iostream>

int main() {
    // 读取图像
    cv::Mat image = cv::imread("your_image.jpg", cv::IMREAD_GRAYSCALE);
    
    // 检查图像是否成功读取
    if (image.empty()) {
        std::cerr << "Error: Could not read the image." << std::endl;
        return -1;
    }

    // 高斯平滑
    cv::Mat blurred;
    cv::GaussianBlur(image, blurred, cv::Size(5, 5), 0);

    // 应用拉普拉斯算子
    cv::Mat laplacian;
    cv::Laplacian(blurred, laplacian, CV_64F);

    // 取绝对值并转换为8位无符号整数
    laplacian = cv::abs(laplacian);
    laplacian.convertTo(laplacian, CV_8U);

    // 显示原始图像和LoG算子的输出
    cv::imshow("Original Image", image);
    cv::imshow("LoG Operator", laplacian);

    // 等待用户按键
    cv::waitKey(0);

    return 0;
}
相关推荐
云空20 分钟前
《Python 与 SQLite:强大的数据库组合》
数据库·python·sqlite
lulu_gh_yu33 分钟前
数据结构之排序补充
c语言·开发语言·数据结构·c++·学习·算法·排序算法
成富1 小时前
文本转SQL(Text-to-SQL),场景介绍与 Spring AI 实现
数据库·人工智能·sql·spring·oracle
凤枭香1 小时前
Python OpenCV 傅里叶变换
开发语言·图像处理·python·opencv
CSDN云计算1 小时前
如何以开源加速AI企业落地,红帽带来新解法
人工智能·开源·openshift·红帽·instructlab
ULTRA??1 小时前
C加加中的结构化绑定(解包,折叠展开)
开发语言·c++
测试杂货铺1 小时前
外包干了2年,快要废了。。
自动化测试·软件测试·python·功能测试·测试工具·面试·职场和发展
艾派森1 小时前
大数据分析案例-基于随机森林算法的智能手机价格预测模型
人工智能·python·随机森林·机器学习·数据挖掘
hairenjing11231 小时前
在 Android 手机上从SD 卡恢复数据的 6 个有效应用程序
android·人工智能·windows·macos·智能手机
小蜗子1 小时前
Multi‐modal knowledge graph inference via media convergenceand logic rule
人工智能·知识图谱