圖像求導、邊緣檢測、分割

Canny邊緣檢測算子是一種多級檢測算法。1986年由John F. Canny提出，同時提出了邊緣檢測的三大准則：

1. 低錯誤率的邊緣檢測：檢測算法應該精確地找到圖像中的盡可能多的邊緣，盡可能的減少漏檢和誤檢。
2. 最優定位：檢測的邊緣點應該精確地定位於邊緣的中心。
3. 圖像中的任意邊緣應該只被標記一次，同時圖像噪聲不應產生偽邊緣。

 

 

1.sobel算子

Sobel導數並不是真正的導數，因為Sobel算子定義在一個離散的空間上。Sobel算子真正表示的是多項式擬合。

 

Sobel(imGray,imgSobeled,-1,0,1);

 

 

2.Priwitt濾波器

 

 

3.Scharr濾波器：相較於Sobel精度更高

 

Scharr(imGray,imScharred,-1,0,1);

 

4.拉普拉斯核——真正的輪廓識別

 

Laplacian(imGray,imLaped,-1,1);

 

 

 

 

 分別對應：原圖，Sobel/Scharr濾波，Laplacian變換

 

 

 

5.Canny邊緣檢測

 

Canny邊緣檢測算法可以分為以下5個步驟：

• 1) 高斯模糊 - GaussianBlur
• 2) 灰度轉換 - cvtColor
• 3) 計算梯度 - Sobel/Scharr
• 4) 非最大信號抑制
• 5) 高低閾值輸出二值圖像

 

 

    Mat dx,dy;
    blur(imGray,blurImage,cv::Size(3,3));
    Scharr(blurImage,dx,CV_16S,1,0);
    Scharr(blurImage,dy,CV_16S,0,1);
    Canny(dx,dy,imCannyed,100,150);

 

6.hough變換

6.1 算法思路：

1. 初始化參數空間，將參數空間矩陣每一個像素置0；
2. 遍歷圖像當中不為0的像素點，記錄所有經過該像素點直線的直線參數，將參數空間中對應該直線參數的像素值加1；
3. 根據先驗知識，分析參數矩陣，獲取參數矩陣某些峰值作為檢測結果。

6.2 OpenCV接口：

• Hough變換主要優點是能容忍特征邊界描述中的間隙，並且相對不受圖像噪聲的影響。
• SHT，標准hough變換
• MHT，多尺度hough變換，對SHT的細化，精度更高
• PPHT，漸進概率hough變換，計算直線及其延長線——只要峰值夠高，只要花很少的時間即可，可大幅提高速度

void HoughLines( InputArray image, 　　// image:輸入圖像
                 OutputArray lines,　　//lines：檢測到的直線（表示其實為直線參數(θ,p)集合）
                 double rho, 　　　　　 //rho：像素每次迭代的大小（即每一次選取像素的過程跳躍多少，一般設置為1）
                 double theta, 　　　　//theta：角度累加器的大小（即選取的直線參數θ的變化），一般為CV_PI/180
                 int threshold,　　　　//thresold：閾值大小（即每個參數對至少經過的像素點數）   
                 double srn = 0, double stn = 0,
                 double min_theta = 0, double max_theta = CV_PI );

 C++程序實現參考：https://github.com/ljwcdtj/HoughTransform

6.3 缺點

• 巨量的計算，難以達到實時性
• 解決思路：

• 裁剪原始圖像，縮小搜索范圍
• 平方根，正弦，余弦計算的查表化
• “多尺度”搜索策略，即先對原圖抽樣數據進行粗搜索定位，再對原圖在一定的角度范圍內進行搜索
• 先驗知識（直線走向，長度等限制）的使用以及一些多線程/並行計算策略

6.4 參考：https://blog.csdn.net/ljwcdtj/article/details/89091060

 

7.距離變換（有標記、無標記）

• 用於細化字符的輪廓和查找物體質心（中心）。參考：https://blog.csdn.net/z827997640/article/details/80461240

 7.1 算法思路

按照某種距離（如：D4距離或D8距離）對大小為M×N的圖像中的區域塊作距離變換，算法過程如下：

 

 

 

• 1、建立一個大小為M×N的數組F，作如下的初始化：將區域塊中的元素設置為0，其余元素設置為無窮；
• 2、利用掩模1（mask1），左上角開始，從左往右，從上往下遍歷數組，將掩模中P點對應的元素的值作如下更新：

• 3、利用掩模2（mask2），右下角開始，從右往左，從下往上遍歷數組，將掩模中P點對應的元素的值作如下更新：

• 4、最終得到的更新后的數組即為距離變換的結果。

7.2 opencv接口

void distanceTransform( InputArray src, 
　　　　　　　　　　　　　　OutputArray dst,
                        int distanceType,
 　　　　　　　　　　　　　　int maskSize,
 　　　　　　　　　　　　　　int dstType=CV_32F);

InputArray src：輸入圖像，一般為二值圖像；
OutputArray dst：輸出的圖像，距離變換結果；
int distanceType：用於距離變換的距離類型（歐氏距離：DIST_L2 = 2；$D_4$距離：DIST_L1 = 1；$D_8$距離：DIST_C = 3等）；
int mask_size：距離變換掩模的大小，一般為3或5；
int dstType：輸出圖像的數據類型，可以為CV_8U或CV_32F。

7.3 應用 

• 骨架抽取
• 用距離變換的方式來實現匹配，配合倒角距離變換（Chamfer Distance Transform）可以達到快速匹配的效果。（對旋轉、縮放是無效的）

 

 7.4 參考：

https://zhuanlan.zhihu.com/p/38917770

https://www.2cto.com/kf/201701/586976.html

 

8.分割

8.1 漫水填充

• cv::floodFill()

8.2 分水嶺算法

• 無單獨背景蒙版時，需要分割圖像：圖中的線轉化成“山”，平坦區域轉化成“谷”用以分割
• 使用者/算法先標記對象或背景的一部分
• cv::watershed()

8.3 Grabcuts算法

• 使用者/算法在待分割對象周圍提供一個矩形框，其外部即為背景
• cv::grabCut()

8.4 Mean-shift分割

• 基於顏色分布峰值進行分割
• 通過滑動窗口找到最高密度塊，
• cv::pyrMeanShiftFiltering()