OpenCV 2.4+ C++ 边缘梯度计算

图像的边缘

图像的边缘从数学上是如何表示的呢？

图像的边缘上，邻近的像素值应当显著地改变了。而在数学上，导数是表示改变快慢的一种方法。梯度值的大变预示着图像中内容的显著变化了。

用更加形象的图像来解释,假设咱们有一张一维图形。下图中灰度值的“跃升”表示边缘的存在：

　　　　

使用一阶微分求导咱们能够更加清晰的看到边缘“跃升”的存在(这里显示为高峰值)：

　　　　

由此咱们能够得出：边缘能够经过定位梯度值大于邻域的相素的方法找到。

 

卷积

卷积能够近似地表示求导运算。

那么卷积是什么呢？

卷积是在每个图像块与某个算子（核）之间进行的运算。

核？！

核就是一个固定大小的数值数组。该数组带有一个锚点 ，通常位于数组中央。

 但是这怎么运算啊？

假如你想获得图像的某个特定位置的卷积值，可用下列方法计算：

1. 将核的锚点放在该特定位置的像素上，同时，核内的其余值与该像素邻域的各像素重合；
2. 将核内各值与相应像素值相乘，并将乘积相加；
3. 将所得结果放到与锚点对应的像素上；
4. 对图像全部像素重复上述过程。

用公式表示上述过程以下：

　　　　

在图像边缘的卷积怎么办呢？

计算卷积前，OpenCV经过复制源图像的边界建立虚拟像素，这样边缘的地方也有足够像素计算卷积了。

 

近似梯度

好比内核为3时。

首先对x方向计算近似导数：

而后对y方向计算近似导数：

而后计算梯度：

固然你也能够写成：

 

开始求梯度

#include "opencv2/imgproc/imgproc.hpp" #include "opencv2/highgui/highgui.hpp" #include <stdlib.h> #include <stdio.h> using namespace cv; int main( int argc, char** argv ){ Mat src, src_gray; Mat grad; char* window_name = "求解梯度"; int scale = 1; int delta = 0; int ddepth = CV_16S; int c; src = imread( argv[1] ); if( !src.data ){ return -1; } //高斯模糊 GaussianBlur( src, src, Size(3,3), 0, 0, BORDER_DEFAULT ); //转成灰度图  cvtColor( src, src_gray, CV_RGB2GRAY ); namedWindow( window_name, CV_WINDOW_AUTOSIZE ); Mat grad_x, grad_y; Mat abs_grad_x, abs_grad_y; Sobel( src_gray, grad_x, ddepth, 1, 0, 3, scale, delta, BORDER_DEFAULT ); convertScaleAbs( grad_x, abs_grad_x ); Sobel( src_gray, grad_y, ddepth, 0, 1, 3, scale, delta, BORDER_DEFAULT ); convertScaleAbs( grad_y, abs_grad_y ); addWeighted( abs_grad_x, 0.5, abs_grad_y, 0.5, 0, grad ); imshow( window_name, grad ); waitKey(0); return 0; }

 

Sobel函数

索贝尔算子（Sobel operator）计算。

C++: 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

src – 输入图像。 dst – 输出图像，与输入图像一样大小，拥有一样个数的通道。 ddepth –输出图片深度；下面是输入图像支持深度和输出图像支持深度的关系： src.depth() = CV_8U, ddepth = -1/CV_16S/CV_32F/CV_64F src.depth() = CV_16U/CV_16S, ddepth = -1/CV_32F/CV_64F src.depth() = CV_32F, ddepth = -1/CV_32F/CV_64F src.depth() = CV_64F, ddepth = -1/CV_64F 当 ddepth为-1时， 输出图像将和输入图像有相同的深度。输入8位图像则会截取顶端的导数。 xorder – x方向导数运算参数。 yorder – y方向导数运算参数。 ksize – Sobel内核的大小，能够是：1，3，5，7。 scale – 可选的缩放导数的比例常数。 delta – 可选的增量常数被叠加到导数中。 borderType – 用于判断图像边界的模式。

代码注释：

//在x方向求图像近似导数 Sobel( src_gray, grad_x, ddepth, 1, 0, 3, scale, delta, BORDER_DEFAULT ); //在y方向求图像近似导数 Sobel( src_gray, grad_y, ddepth, 0, 1, 3, scale, delta, BORDER_DEFAULT );

若是咱们打印上面两个输出矩阵，能够看到grad_x和grad_y中的元素有正有负。

固然，正方向递增就是正的，正方向递减则是负值。

这很重要，咱们能够用来判断梯度方向。

 

convertScaleAbs函数

线性变换转换输入数组元素成8位无符号整型。

C++: void convertScaleAbs(InputArray  src, OutputArray  dst, double  alpha=1, double  beta=0)

参数	src – 输入数组。 dst – 输出数组。 alpha – 可选缩放比例常数。 beta – 可选叠加到结果的常数。

对于每一个输入数组的元素函数convertScaleAbs 进行三次操做依次是：缩放，获得一个绝对值，转换成无符号8位类型。

对于多通道矩阵，该函数对各通道独立处理。若是输出不是8位，将调用Mat::convertTo 方法并计算结果的绝对值，例如：

Mat_<float> A(30,30); randu(A, Scalar(-100), Scalar(100)); Mat_<float> B = A*5 + 3; B = abs(B); 

为了可以用图像显示，提供一个直观的图形，咱们利用该方法，将-256 — 255的导数值，转成0 — 255的无符号8位类型。

 

addWeighted函数

计算两个矩阵的加权和。

C++: void addWeighted(InputArray  src1, double  alpha, InputArray  src2, double  beta, double  gamma, OutputArray  dst, int dtype=-1)

参数	src1 – 第一个输入数组。 alpha – 第一个数组的加权系数。 src2 – 第二个输入数组，必须和第一个数组拥有相同的大小和通道。 beta – 第二个数组的加权系数。 dst – 输出数组，和第一个数组拥有相同的大小和通道。 gamma – 对全部和的叠加的常量。 dtype – 输出数组中的可选的深度，当两个数组具备相同的深度，此系数可设为-1，意义等同于选择与第一个数组相同的深度。

函数addWeighted 两个数组的加权和公式以下：

　　　　

在多通道状况下，每一个通道是独立处理的，该函数能够被替换成一个函数表达式：

　　　　dst = src1*alpha + src2*beta + gamma;

利用convertScaleAbs和addWeighted，咱们能够对梯度进行一个能够用图像显示的近似表达。

这样咱们就能够获得下面的效果：

 

梯度方向

但有时候边界还不够，咱们但愿获得图片色块之间的关系，或者研究样本的梯度特征来对机器训练识别物体时候，咱们还须要梯度的方向。

二维平面的梯度定义为：

　　　　

这很好理解，其代表颜色增加的方向与x轴的夹角。

但Sobel算子对于沿x轴和y轴的排列表示的较好，可是对于其余角度表示却不够精确。这时候咱们可使用Scharr滤波器。

Scharr滤波器的内核为：

　　　　

这样能提供更好的角度信息，如今咱们修改原程序，改成使用Scharr滤波器进行计算：

#include "opencv2/imgproc/imgproc.hpp" #include "opencv2/highgui/highgui.hpp" #include <stdlib.h> #include <stdio.h> using namespace cv; int main( int argc, char** argv ){ Mat src, src_gray; Mat grad; char* window_name = "梯度计算"; int scale = 1; int delta = 0; int ddepth = CV_16S; int c; src = imread( argv[1] ); if( !src.data ){ return -1; } GaussianBlur( src, src, Size(3,3), 0, 0, BORDER_DEFAULT ); cvtColor( src, src_gray, CV_RGB2GRAY ); namedWindow( window_name, CV_WINDOW_AUTOSIZE ); Mat grad_x, grad_y; Mat abs_grad_x, abs_grad_y; //改成Scharr滤波器计算x轴导数 Scharr( src_gray, grad_x, ddepth, 1, 0, scale, delta, BORDER_DEFAULT ); convertScaleAbs( grad_x, abs_grad_x ); //改成Scharr滤波器计算y轴导数 Scharr( src_gray, grad_y, ddepth, 0, 1, scale, delta, BORDER_DEFAULT ); convertScaleAbs( grad_y, abs_grad_y ); addWeighted( abs_grad_x, 0.5, abs_grad_y, 0.5, 0, grad ); imshow( window_name, grad ); waitKey(0); return 0; }

Scharr函数接受参数与Sobel函数类似，这里就不叙述了。

下面咱们经过divide函数就能获得一个x/y的矩阵。

对两个输入数组的每一个元素执行除操做。

C++: void divide(InputArray  src1, InputArray  src2, OutputArray  dst, double  scale=1, int  dtype=-1) C++: void divide(double  scale, InputArray  src2, OutputArray  dst, int  dtype=-1)

参数	src1 – 第一个输入数组。 src2 – 第二个输入数组，必须和第一个数组拥有相同的大小和通道。 scale – 缩放系数。 dst – 输出数组，和第二个数组拥有相同的大小和通道。 dtype – 输出数组中的可选的深度，当两个数组具备相同的深度，此系数可设为-1，意义等同于选择与第一个数组相同的深度。

该函数对两个数组进行除法：

　　

或则只是缩放系数除以一个数组：

　　

这种状况若是src2是0，那么dst也是0。不一样的通道是独立处理的。

 

被山寨的原文

Sobel Derivatives . OpenCV.org

Image Filtering . OpenCV.org