Opencv和C++实现canny边缘检测

Canny边缘检测主要包括：

  1. 图像的灰度化；

  2. 图像的高斯滤波，来平滑图像，同时消除和降低图像噪声的影响；

  3. 计算出每一个像素点位置的梯度（X方向梯度、Y方向梯度、已经该点的梯度幅值）和方向角度；Y方向和X方向梯度的比值，得出梯度方向，X梯度的平方和+Y梯度的平方和的值，再进行求平方得到该点的梯度幅值。（Sobel算子等）

  4. 局部非极大值抑制处理；梯度方向垂直于边缘方向，在梯度方向上进行非极大值抑制可以细化边缘，在梯度方向上比较该点前后两个点的梯度的大小，如果大于两个点则保留，小于任意一个点则置为0。

  5. 双阈值处理和连接处理；指定高低阈值，然后高阈值直接赋值为255，低阈值为0，中间的值进行连接处理。如果中间的值八邻域内有255，则该值也变为255，也就是说255往周围进行扩张，收集边缘加闭合边缘。

Canny算法思路参考下面的博客：
https://blog.csdn.net/dcrmg/article/details/52344902
https://www.cnblogs.com/love6tao/p/5152020.html

我在下面直接给出可以运行的C++代码（Opencv2.4.9）

#include <iostream>
#include "opencv2/opencv.hpp"using namespace std;
using namespace cv;/*
生成高斯卷积核 kernel
*/
void Gaussian_kernel(int kernel_size, int sigma, Mat &kernel)
{const double PI = 3.1415926;int m = kernel_size / 2;kernel = Mat(kernel_size, kernel_size, CV_32FC1);float s = 2 * sigma*sigma;for (int i = 0; i < kernel_size; i++){for (int j = 0; j < kernel_size; j++){int x = i - m;int y = j - m;kernel.at<float>(i, j) = exp(-(x*x + y*y) / s) / (PI*s);}}
}/*
计算梯度值和方向
imageSource 原始灰度图
imageX X方向梯度图像
imageY Y方向梯度图像
gradXY 该点的梯度幅值
pointDirection 梯度方向角度
*/
void GradDirection(const Mat imageSource, Mat &imageX, Mat &imageY,Mat &gradXY, Mat &theta)
{imageX = Mat::zeros(imageSource.size(), CV_32SC1);imageY = Mat::zeros(imageSource.size(), CV_32SC1);gradXY = Mat::zeros(imageSource.size(), CV_32SC1);theta = Mat::zeros(imageSource.size(), CV_32SC1);int rows = imageSource.rows;int cols = imageSource.cols;int stepXY = imageX.step;int step = imageSource.step;/*Mat.step参数指图像的一行实际占用的内存长度，因为opencv中的图像会对每行的长度自动补齐（8的倍数），编程时尽量使用指针，指针读写像素是速度最快的，使用at函数最慢。*/uchar *PX = imageX.data;uchar *PY = imageY.data;uchar *P = imageSource.data;uchar *XY = gradXY.data;for (int i = 1; i < rows - 1; i++){for (int j = 1; j < cols - 1; j++){int a00 = P[(i - 1)*step + j - 1];int a01 = P[(i - 1)*step + j];int a02 = P[(i - 1)*step + j + 1];int a10 = P[i*step + j - 1];int a11 = P[i*step + j];int a12 = P[i*step + j + 1];int a20 = P[(i + 1)*step + j - 1];int a21 = P[(i + 1)*step + j];int a22 = P[(i + 1)*step + j + 1];double gradY = double(a02 + 2 * a12 + a22 - a00 - 2 * a10 - a20);double gradX = double(a00 + 2 * a01 + a02 - a20 - 2 * a21 - a22);//PX[i*stepXY + j*(stepXY / step)] = abs(gradX);//PY[i*stepXY + j*(stepXY / step)] = abs(gradY);imageX.at<int>(i, j) = abs(gradX);imageY.at<int>(i, j) = abs(gradY);if (gradX == 0){gradX = 0.000000000001;}theta.at<int>(i, j) = atan(gradY / gradX)*57.3;theta.at<int>(i, j) = (theta.at<int>(i, j) + 360) % 360;gradXY.at<int>(i, j) = sqrt(gradX*gradX + gradY*gradY);//XY[i*stepXY + j*(stepXY / step)] = sqrt(gradX*gradX + gradY*gradY);}}convertScaleAbs(imageX, imageX);convertScaleAbs(imageY, imageY);convertScaleAbs(gradXY, gradXY);}/*
局部非极大值抑制
沿着该点梯度方向，比较前后两个点的幅值大小，若该点大于前后两点，则保留，
若该点小于前后两点任意一点，则置为0；
imageInput 输入得到梯度图像
imageOutput 输出的非极大值抑制图像
theta 每个像素点的梯度方向角度
imageX X方向梯度
imageY Y方向梯度 
*/
void NonLocalMaxValue(const Mat imageInput, Mat &imageOutput, const Mat &theta, const Mat &imageX, const Mat &imageY)
{imageOutput = imageInput.clone();int cols = imageInput.cols;int rows = imageInput.rows;for (int i = 1; i < rows - 1; i++){for (int j = 1; j < cols - 1; j++){if (0 == imageInput.at<uchar>(i, j))continue;int g00 = imageInput.at<uchar>(i - 1, j - 1);int g01 = imageInput.at<uchar>(i - 1, j);int g02 = imageInput.at<uchar>(i - 1, j + 1);int g10 = imageInput.at<uchar>(i , j - 1);int g11 = imageInput.at<uchar>(i, j);int g12 = imageInput.at<uchar>(i , j + 1);int g20 = imageInput.at<uchar>(i + 1, j - 1);int g21 = imageInput.at<uchar>(i + 1, j);int g22 = imageInput.at<uchar>(i + 1, j + 1);int direction = theta.at<int>(i, j); //该点梯度的角度值int g1 = 0; int g2 = 0;int g3 = 0;int g4 = 0;double tmp1 = 0.0; //保存亚像素点插值得到的灰度数double tmp2 = 0.0;double weight = fabs((double)imageY.at<uchar>(i, j) / (double)imageX.at<uchar>(i, j));if (weight == 0)weight = 0.0000001;if (weight > 1){weight = 1 / weight;}if ((0 <= direction && direction < 45) || 180 <= direction &&direction < 225){tmp1 = g10*(1 - weight) + g20*(weight);tmp2 = g02*(weight)+g12*(1 - weight);}if ((45 <= direction && direction < 90) || 225 <= direction &&direction < 270){tmp1 = g01*(1 - weight) + g02*(weight);tmp2 = g20*(weight)+g21*(1 - weight);}if ((90 <= direction && direction < 135) || 270 <= direction &&direction < 315){tmp1 = g00*(weight)+g01*(1 - weight);tmp2 = g21*(1 - weight) + g22*(weight);}if ((135 <= direction && direction < 180) || 315 <= direction &&direction < 360){tmp1 = g00*(weight)+g10*(1 - weight);tmp2 = g12*(1 - weight) + g22*(weight);}if (imageInput.at<uchar>(i, j) < tmp1 || imageInput.at<uchar>(i, j) < tmp2){imageOutput.at<uchar>(i,j) = 0;}}}}/*
双阈值的机理是：
指定一个低阈值A，一个高阈值B，一般取B为图像整体灰度级分布的70%，且B为1.5到2倍大小的A；
灰度值小于A的，置为0,灰度值大于B的，置为255；
*/
void DoubleThreshold(Mat &imageInput, const double lowThreshold, const double highThreshold)
{int cols = imageInput.cols;int rows = imageInput.rows;for (int i = 0; i < rows; i++){for (int j = 0; j < cols; j++){double temp = imageInput.at<uchar>(i, j);temp = temp>highThreshold ? (255) : (temp);temp = temp < lowThreshold ? (0) : (temp);imageInput.at<uchar>(i, j) = temp;}}}
/*
连接处理:
灰度值介于A和B之间的，考察该像素点临近的8像素是否有灰度值为255的，
若没有255的，表示这是一个孤立的局部极大值点，予以排除，置为0；
若有255的，表示这是一个跟其他边缘有“接壤”的可造之材，置为255，
之后重复执行该步骤，直到考察完之后一个像素点。其中的邻域跟踪算法，从值为255的像素点出发找到周围满足要求的点，把满足要求的点设置为255，
然后修改i,j的坐标值，i,j值进行回退，在改变后的i,j基础上继续寻找255周围满足要求的点。
当所有连接255的点修改完后，再把所有上面所说的局部极大值点置为0；（算法可以继续优化）。参数1，imageInput：输入和输出的梯度图像
参数2，lowTh:低阈值
参数3，highTh:高阈值
*/
void DoubleThresholdLink(Mat &imageInput,double lowTh,double highTh)
{int cols = imageInput.cols;int rows = imageInput.rows;for (int i = 1; i < rows - 1; i++){for (int j = 1; j < cols - 1; j++){double pix = imageInput.at<uchar>(i, j);if (pix != 255)continue;bool change = false;for (int k = -1; k <= 1; k++){for (int u = -1; u <= 1; u++){if (k == 0 && u == 0)continue;double temp = imageInput.at<uchar>(i + k, j + u);if (temp >= lowTh && temp <= highTh){imageInput.at<uchar>(i + k, j + u) = 255;change = true;}}}if (change){if (i > 1)i--;if (j > 2)j -= 2;}}}for (int i = 0; i < rows; i++){for (int j = 0; j < cols; j++){if (imageInput.at<uchar>(i, j) != 255){imageInput.at<uchar>(i, j) = 0;}}}
}int main()
{Mat image = imread("test.jpg");imshow("origin image", image);//转换为灰度图Mat grayImage;cvtColor(image, grayImage, CV_RGB2GRAY);imshow("gray image", grayImage);//高斯滤波Mat gausKernel;int kernel_size = 5;double sigma = 1;Gaussian_kernel(kernel_size, sigma, gausKernel);Mat gausImage;filter2D(grayImage, gausImage, grayImage.depth(), gausKernel);imshow("gaus image", gausImage);//计算XY方向梯度Mat imageX, imageY, imageXY;Mat theta;GradDirection(grayImage, imageX, imageY, imageXY , theta);imshow("XY grad", imageXY);//对梯度幅值进行非极大值抑制Mat localImage;NonLocalMaxValue(imageXY, localImage, theta,imageX,imageY);;imshow("Non local maxinum image", localImage);//双阈值算法检测和边缘连接DoubleThreshold(localImage, 60, 100);DoubleThresholdLink(localImage, 60, 100);imshow("canny image", localImage);Mat temMat;Canny(image, temMat, 60, 100);imshow("opencv canny image", temMat);waitKey(0);return 0;
}

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/news/492793.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

这些机器人决定全球机器人未来趋势·Science Robotics 评选年度十大机器人

这些机器人决定全球机器人未来趋势·Science Robotics 评选年度十大机器人

来源&#xff1a;机器人大讲堂摘要&#xff1a;如果评选机器人领域最高端的学术杂志&#xff0c;那应该非《Science Robotics》莫属了。作为顶级期刊Science的子刊&#xff0c;一经问世便受到机器人界各位学术大牛的青睐&#xff0c;令人咋舌的前沿科技层出不穷。最近&#xff…
阅读更多...
C#语言之“中英文混合字符串对齐”的方法

C#语言之“中英文混合字符串对齐”的方法

参考自&#xff1a;&#xff08;1&#xff09;http://www.cnblogs.com/cnluoke/articles/1213398.html &#xff08;2&#xff09;http://www.cnblogs.com/sql4me/archive/2009/11/16/1603996.html 方法一&#xff1a;将已有字符串组织成新字符串时填充 由于某一个字段&#xf…
阅读更多...
计算机视觉三大顶级会议ICCV,CVPR,ECCV网址

计算机视觉三大顶级会议ICCV,CVPR,ECCV网址

ICCV网址如下: http://www.informatik.uni-trier.de/~ley/db/conf/iccv/index.html ECCV网址如下: http://www.informatik.uni-trier.de/~ley/db/conf/eccv/index.html CVPR网址如下: http://dblp.uni-trier.de/db/conf/cvpr/index.html 可以找到代码的 利用传统方法的视频…
阅读更多...
2019年社交媒体趋势报告

2019年社交媒体趋势报告

来源&#xff1a;新媒体创意营销Kantar Media发布了新报告“2019年社交媒体趋势”。世界上40%的人口使用社交媒体。一些行业报告显示人们平均每天花两小时在这些平台上分享、点赞、发推和更新&#xff0c;那么2019年会怎样呢&#xff1f;第五个年度社交媒体趋势报告强调了该领域…
阅读更多...
卡特兰数列编程实现

卡特兰数列编程实现

卡特兰(Catalan)数列典型特征有一类如下&#xff1a; 1. 可以分为两列 2. 每行从左向右依次递增&#xff08;减&#xff09;&#xff0c;每列从上向下依次递增&#xff08;减&#xff09; /* 2-10 标准二维表问题 问题为&#xff1a;设n是一个正整数。2*n的标准二维表是由正…
阅读更多...
小猪的Android入门之路 day 1

小猪的Android入门之路 day 1

小猪的Android入门之路 Day 1 Android相关背景与开发环境的搭建 ------转载请注明出处:coder-pig 本节引言: 随着社会经济的发展,移动互联网的越来越热,手机APP开发显得格外火爆, 作为一名快要毕业的IT屌丝,自然要趟一趟这一浑水啦,当前主流的手机系统 IOS(苹果),Android(安卓)…
阅读更多...
146亿美元！2018全球数字医疗投资创下新纪录

146亿美元！2018全球数字医疗投资创下新纪录

来源&#xff1a;资本实验室摘要&#xff1a;与其他行业一样&#xff0c;全球医疗业的数字化正在逐步推进&#xff0c;并为风险资本带来更多的投资机会。总体来看&#xff0c;全球数字医疗投资正在快速增长&#xff0c;投资朝着中后期阶段延伸&#xff0c;机器学习等新技术扮演…
阅读更多...
C++移位得到int型最大值

C++移位得到int型最大值

C里默认int型1的二进制表示为&#xff1a; 0000 0000 0000 0000 0000 0000 0000 0001如果左移31位&#xff0c;会得到最小值 1<<31 //会得到-2147483648&#xff0c;即int型最小值即 1000 0000 0000 0000 0000 0000 0000 0000因为int类型是有符号的&#xff0c;第一位…
阅读更多...
揭秘星际2人工智能AlphaStar：DeepMind科学家回应一切

揭秘星际2人工智能AlphaStar：DeepMind科学家回应一切

来源&#xff1a;机器之心25 日凌晨&#xff0c;人工智能 AlphaStar 与职业玩家 MaNa 进行了一场史无前例的「人机大战」&#xff1a;虽然之前在内部比赛中 AI 十战十胜&#xff0c;但现场比赛中&#xff0c;MaNa 机智地戏耍了对手&#xff0c;为人类取得了一场胜利。赛后&…
阅读更多...
FireMonkey 保存图片到JPG的方法 BMP转JPG

FireMonkey 保存图片到JPG的方法 BMP转JPG

习惯VCL的做法了&#xff0c;到了FireMonkey里面&#xff0c;好像查不到单独的JPEG单元了&#xff0c;不少朋友就郁闷如何处理JPG了&#xff0c;这么大件事&#xff0c;不可能没有处理方法的&#xff0c;具体就请看代码&#xff1a;uses FMX.Surfaces;procedure TForm1.Button1…
阅读更多...
2019年的人工智能，那些吹过的牛能实现吗？

2019年的人工智能，那些吹过的牛能实现吗？

编译&#xff1a;网易智能 毅力过去的一年里&#xff0c;世界各地的人工智能(AI)展现了强大的力量。在全球范围内&#xff0c;企业和政府将2018年视为人工智能突破性的一年。仅在英国&#xff0c;2018年风险投资家对人工智能企业的投资就增加了47%。人工智能使用的增加对消费者…
阅读更多...
排列算法-递归

排列算法-递归

递归实现集合中元素的全排列。 R{r1&#xff0c;r2&#xff0c;r3&#xff0c;&#xff0c;rn} 归纳定义如下&#xff1a; n 1时,Perm(R) (r1) n > 1时,Perm(R) (r1)Perm(R-r1) (r2)Perm(R-r2) &#xff0c;&#xff0c;&#xff0c; (rn)Perm(R-rn) template<c…
阅读更多...
微信WeixinJSBridge API

微信WeixinJSBridge API

1 <!DOCTYPE html>2 <html>3 <head>4 <title>微信WeixinJSBridge API</title> 5 <meta charset"utf-8" /> 6 <script type"text/javascript">7 (function(){8 var adocument.getElementsByTagName("…
阅读更多...
归并排序C++实现

归并排序C++实现

归并排序的核心思想是将两个有序的数列合并成一个大的有序的序列。通过递归&#xff0c;层层合并&#xff0c;即为归并。效率为O(n log n)&#xff0c;是分治法的典型应用。 /* 合并[left,mid),[mid,right)两个有序数组 */ void merge(int *arry, int left, int mid, int righ…
阅读更多...
深度学习的时代将结束：25 年 16625 篇论文佐证

深度学习的时代将结束：25 年 16625 篇论文佐证

来源&#xff1a;云头条作者&#xff1a; Karen Hao丨《麻省理工学院科技评论》杂志的 AI 记者我们分析了16625篇论文&#xff0c;以洞察AI下一步的发展方向我们深入研读了25年来的AI研究论文&#xff0c;结果表明深度学习的时代即将结束。如今你听到的关于AI的几乎所有内容都归…
阅读更多...
动态规划基本思想

动态规划基本思想

基本要素&#xff1a; &#xff08;1&#xff09;最优子结构性质 &#xff08;2&#xff09;重叠子问题性质 思想&#xff1a; 动态规划和分治法类似&#xff0c;其基本思想也是将待求解问题分解成若干个子问题&#xff0c;先求解子问题&#xff0c;然后从这些子问题的解得到原…
阅读更多...
Deepmind AlphaStar 如何战胜人类职业玩家【中科院自动化所深度解析】

Deepmind AlphaStar 如何战胜人类职业玩家【中科院自动化所深度解析】

来源&#xff1a;德先生作者&#xff1a;朱圆恒&#xff0c;唐振韬&#xff0c;李伟凡&#xff0c;赵冬斌北京时间2019年1月25日2时&#xff0c;DeepMind在伦敦向世界展示了他们的最新成果——星际争霸2人工智能AlphaStar[1] 。图1. DeepMind AlphaStar挑战星际人类职业玩家直播…
阅读更多...
JBoss类加载机制 ClassLoadingConfiguration

JBoss类加载机制 ClassLoadingConfiguration

http://sylven.iteye.com/blog/577063类仓库优先级从低到高 1.classpath、lib目录 2.由已部署的应用程序的所有类、/server/{server_name}/lib目录里的JAR文件组成 3.deploy目录、或EAR/SAR文件里的WAR文件里的类 指定类加载仓库 SAR META-INF/jboss-service.xml EAR META-INF/…
阅读更多...
VS编译器安装Eigen

VS编译器安装Eigen

下载eigen&#xff0c;打开项目属性&#xff0c;C -> 附加目录&#xff0c;添加刚才eigen的存放路径。 参考博客&#xff1a;https://blog.csdn.net/u012428169/article/details/71169546
阅读更多...
jquery filter和not

jquery filter和not

jQuery filter() 方法 filter() 方法允许您规定一个标准。不匹配这个标准的元素会被从集合中删除&#xff0c;匹配的元素会被返回。 下面的例子返回带有类名 "intro" 的所有 <p> 元素&#xff1a; $(document).ready(function(){$("p").filter("…
阅读更多...
最新文章

Copyright @ 2022~2023