本系列文章由 出品，转载请注明出处。  

文章链接：

作者：毛星云（浅墨）    微博：

知乎：

邮箱： 

写作当前博文时配套使用的OpenCV版本号：

2.4.9

 

本篇文章中，我们将一起学习OpenCV中边缘检測的各种算子和滤波器——Canny算子,Sobel算子,Laplace算子以及Scharr滤波器。文章中包括了五个浅墨为大家准备的具体凝视的博文配套源码。在介绍四块知识点的时候分别一个，以及最后的综合演示样例中的一个。文章末尾提供配套源码的下载。

依旧是是放出一些程序执行截图吧：

 

 效果图看完，我们来唠唠嗑。

首先，须要说明的是，浅墨这篇文章最后的演示样例代码是採用两周前刚刚公布的2.4.9来书写的。里面的lib都已经改成了2.4.9版本号的。假设大家须要执行的话，要么配置好2.4.9.要么把浅墨在project中包括的末尾数字为249的各种lib改成之前的248或者你相应的OpenCV版本号。

不然会提示： LINK : fatal error LNK1181: 无法打开输入文件“opencv_calib3d248.lib”之类的错误。

OpenCV 2.4.9的配置和之前的2.4.8差点儿相同，假设还是不太清楚，具体能够參考浅墨改动过的相应2.4.9版的配置文章：

 

第二，给大家分享一个OpenCV中写代码时节约时间的小常识。事实上OpenCV中，不用namedWindow，直接imshow就能够显示出窗体。大家看下文的演示样例代码就能够发现，浅墨在写代码的时候并没实用namedWindow，遇到想显示出来的Mat变量直接imshow。我们通常是为了规范，才先用namedWindow创建窗体，再imshow出它来，由于我们还有须要用到指定窗体名称的地方，比方用到trackbar的时候。而普通情况想显示一个Mat变量的图片的话，直接imshow就能够啦。

 

OK，開始正文吧~

 

一、关于边缘检測

       

在具体介绍之前，先来一起看看边缘检測的一般步骤吧。

1）滤波：边缘检測的算法主要是基于图像强度的一阶和二阶导数，但导数通常对噪声非常敏感，因此必须採用滤波器来改善与噪声有关的边缘检測器的性能。常见的滤波方法主要有高斯滤波，即採用离散化的高斯函数产生一组归一化的高斯核（具体见“高斯滤波原理及其编程离散化实现方法”一文），然后基于高斯核函数对图像灰度矩阵的每一点进行加权求和（具体程序实现见下文）。

 

        2）增强：增强边缘的基础是确定图像各点邻域强度的变化值。增强算法能够将图像灰度点邻域强度值有显著变化的点凸显出来。在具体编程实现时，可通过计算梯度幅值来确定。

 

        3）检測：经过增强的图像，往往邻域中有非常多点的梯度值比較大，而在特定的应用中，这些点并非我们要找的边缘点，所以应该採用某种方法来对这些点进行取舍。实际project中，经常使用的方法是通过阈值化方法来检測。

另外，须要注意，下文中讲到的Laplace算子，sobel算子和Scharr算子都是带方向的，所以，演示样例中我们分别写了X方向,Y方向和终于合成的的效果图。

OK，正餐開始，召唤canny算子。：）

 

二、canny算子篇

 

2.1 canny算子相关理论与概念解说

2.1.1 canny算子简单介绍

Canny边缘检測算子是John F.Canny于 1986 年开发出来的一个多级边缘检測算法。更为重要的是 Canny 创立了边缘检測计算理论（Computational theory ofedge detection），解释了这项技术是怎样工作的。Canny边缘检測算法以Canny的名字命名，被非常多人推崇为当今最优的边缘检測的算法。

当中，Canny 的目标是找到一个最优的边缘检測算法，让我们看一下最优边缘检測的三个主要评价标准:

 

1.低错误率: 标识出尽可能多的实际边缘，同一时候尽可能的降低噪声产生的误报。

2.高定位性: 标识出的边缘要与图像中的实际边缘尽可能接近。

3.最小响应: 图像中的边缘仅仅能标识一次，而且可能存在的图像噪声不应标识为边缘。

 

为了满足这些要求 Canny 使用了变分法，这是一种寻找满足特定功能的函数的方法。最优检測使用四个指数函数项的和表示，可是它非常近似于高斯函数的一阶导数。

 

 

2.1.2 Canny 边缘检測的步骤

1.消除噪声。 普通情况下，使用高斯平滑滤波器卷积降噪。 例如以下显示了一个 size = 5 的高斯内核演示样例:

 

2.计算梯度幅值和方向。 此处，依照Sobel滤波器的步骤。

 

Ⅰ.运用一对卷积阵列 (分别作用于 x 和 y 方向):

 

Ⅱ.使用下列公式计算梯度幅值和方向:

 

梯度方向近似到四个可能角度之中的一个(一般为0, 45, 90, 135)

 

3.非极大值抑制。 这一步排除非边缘像素， 仅仅保留了一些细线条(候选边缘)。

 

4.滞后阈值。最后一步，Canny 使用了滞后阈值，滞后阈值须要两个阈值(高阈值和低阈值):

 

Ⅰ.假设某一像素位置的幅值超过 高 阈值, 该像素被保留为边缘像素。

Ⅱ.假设某一像素位置的幅值小于 低 阈值, 该像素被排除。

Ⅲ.假设某一像素位置的幅值在两个阈值之间,该像素仅仅在连接到一个高于 高 阈值的像素时被保留。

tips：对于Canny函数的使用，推荐的高低阈值比在2:1到3:1之间。

 

很多其它的细节，能够參考canny算子的wikipedia：

canny边缘检測的原理讲述，课參看这篇博文：

canny算子的中文wikipedia：

 

2.2 OpenCV中Canny函数具体解释

 

Canny函数利用Canny算法来进行图像的边缘检測。

 

C++: void Canny(InputArray image,OutputArray edges, double threshold1, double threshold2, int apertureSize=3,bool L2gradient=false )

• 第一个參数，InputArray类型的image，输入图像，即源图像，填Mat类的对象就可以，且需为单通道8位图像。
• 第二个參数，OutputArray类型的edges，输出的边缘图，须要和源图片有一样的尺寸和类型。
• 第三个參数，double类型的threshold1，第一个滞后性阈值。
• 第四个參数，double类型的threshold2，第二个滞后性阈值。
• 第五个參数，int类型的apertureSize，表示应用Sobel算子的孔径大小，其有默认值3。
• 第六个參数，bool类型的L2gradient，一个计算图像梯度幅值的标识，有默认值false。

 

须要注意的是，这个函数阈值1和阈值2两者的小者用于边缘连接，而大者用来控制强边缘的初始段，推荐的高低阈值比在2:1到3:1之间。

 

调用演示样例：

//加载原始图        Mat src = imread("1.jpg");  //project文件夹下应该有一张名为1.jpg的素材图       Canny(src, src, 3, 9,3 );       imshow("【效果图】Canny边缘检測", src);

如上三句，就有结果出来，非常好用。

 

 

2.3 调用Canny函数的实例代码

 

OpenCV中调用Canny函数的实例代码例如以下：

 

//-----------------------------------【头文件包括部分】---------------------------------------//            描写叙述：包括程序所依赖的头文件//----------------------------------------------------------------------------------------------#include 
      
       #include
       
        #include
        
         //-----------------------------------【命名空间声明部分】---------------------------------------//            描写叙述：包括程序所使用的命名空间//-----------------------------------------------------------------------------------------------using namespace cv;//-----------------------------------【main( )函数】--------------------------------------------//            描写叙述：控制台应用程序的入口函数，我们的程序从这里開始//-----------------------------------------------------------------------------------------------int main( ){	//加载原始图  	Mat src = imread("1.jpg");  //project文件夹下应该有一张名为1.jpg的素材图	Mat src1=src.clone();	//显示原始图 	imshow("【原始图】Canny边缘检測", src); 	//----------------------------------------------------------------------------------	//	一、最简单的canny使用方法，拿到原图后直接用。	//----------------------------------------------------------------------------------	Canny( src, src, 150, 100,3 );	imshow("【效果图】Canny边缘检測", src); 		//----------------------------------------------------------------------------------	//	二、高阶的canny使用方法，转成灰度图，降噪，用canny，最后将得到的边缘作为掩码，拷贝原图到效果图上，得到彩色的边缘图	//----------------------------------------------------------------------------------	Mat dst,edge,gray;	// 【1】创建与src同类型和大小的矩阵(dst)	dst.create( src1.size(), src1.type() );	// 【2】将原图像转换为灰度图像	cvtColor( src1, gray, CV_BGR2GRAY );	// 【3】先用使用 3x3内核来降噪	blur( gray, edge, Size(3,3) );	// 【4】执行Canny算子	Canny( edge, edge, 3, 9,3 );	//【5】将g_dstImage内的全部元素设置为0 	dst = Scalar::all(0);	//【6】使用Canny算子输出的边缘图g_cannyDetectedEdges作为掩码，来将原图g_srcImage拷到目标图g_dstImage中	src1.copyTo( dst, edge);	//【7】显示效果图 	imshow("【效果图】Canny边缘检測2", dst); 	waitKey(0); 	return 0; }
        
       
      

执行效果图：

 

 

 

 

三、sobel算子篇

3.1 sobel算子相关理论与概念解说

3.1.1 基本概念

Sobel 算子是一个主要用作边缘检測的离散微分算子 (discrete differentiation operator)。 它Sobel算子结合了高斯平滑和微分求导，用来计算图像灰度函数的近似梯度。在图像的不论什么一点使用此算子，将会产生相应的梯度矢量或是其法矢量。

sobel算子的wikipedia：

 

sobel算子相关概念，还能够參看这篇博文：

 

3.1.2 sobel算子的计算过程

我们假设被作用图像为 I.然后进行例如以下的操作：

 

1.分别在x和y两个方向求导。

Ⅰ.水平变化: 将 I 与一个奇数大小的内核进行卷积。比方，当内核大小为3时, 的计算结果为:

 

 

 

Ⅱ.垂直变化: 将: I 与一个奇数大小的内核进行卷积。比方，当内核大小为3时, 的计算结果为:

 

 

2.在图像的每一点，结合以上两个结果求出近似梯度:

 

另外有时，也可用以下更简单公式取代:

 

 

 

3.2 OpenCV中Sobel函数具体解释

Sobel函数使用扩展的 Sobel 算子，来计算一阶、二阶、三阶或混合图像差分。

C++: void Sobel (InputArray src,//输入图 OutputArray dst,//输出图 int ddepth,//输出图像的深度 int dx, int dy, int ksize=3, double scale=1, double delta=0, int borderType=BORDER_DEFAULT );

• 第一个參数，InputArray 类型的src，为输入图像，填Mat类型就可以。
• 第二个參数，OutputArray类型的dst，即目标图像，函数的输出參数，须要和源图片有一样的尺寸和类型。
• 第三个參数，int类型的ddepth，输出图像的深度，支持例如以下src.depth()和ddepth的组合：

• • 若src.depth() = CV_8U, 取ddepth =-1/CV_16S/CV_32F/CV_64F
  • 若src.depth() = CV_16U/CV_16S, 取ddepth =-1/CV_32F/CV_64F
  • 若src.depth() = CV_32F, 取ddepth =-1/CV_32F/CV_64F
  • 若src.depth() = CV_64F, 取ddepth = -1/CV_64F

• 第四个參数，int类型dx，x 方向上的差分阶数。
• 第五个參数，int类型dy，y方向上的差分阶数。
• 第六个參数，int类型ksize，有默认值3，表示Sobel核的大小;必须取1，3，5或7。
• 第七个參数，double类型的scale，计算导数值时可选的缩放因子，默认值是1，表示默认情况下是没有应用缩放的。我们能够在文档中查阅getDerivKernels的相关介绍，来得到这个參数的很多其它信息。
• 第八个參数，double类型的delta，表示在结果存入目标图（第二个參数dst）之前可选的delta值，有默认值0。
• 第九个參数， int类型的borderType，我们的老朋友了（万年是最后一个參数），边界模式，默认值为BORDER_DEFAULT。这个參数能够在官方文档中borderInterpolate处得到更具体的信息。

普通情况下，都是用ksize x ksize内核来计算导数的。然而，有一种特殊情况——当ksize为1时，往往会使用3 x 1或者1 x 3的内核。且这种情况下，并没有进行高斯平滑操作。

 

一些补充说明：

1.当内核大小为 3 时, 我们的Sobel内核可能产生比較明显的误差(毕竟，Sobel算子仅仅是求取了导数的近似值而已)。 为解决这一问题，OpenCV提供了Scharr 函数，但该函数仅作用于大小为3的内核。该函数的运算与Sobel函数一样快，但结果却更加精确，其内核是这种:

 

 

2.由于Sobel算子结合了高斯平滑和分化（differentiation），因此结果会具有很多其它的抗噪性。大多数情况下，我们使用sobel函数时，取【xorder = 1，yorder = 0，ksize = 3】来计算图像X方向的导数，【xorder = 0，yorder = 1，ksize = 3】来计算图像y方向的导数。

计算图像X方向的导数，取【xorder= 1，yorder = 0，ksize = 3】情况相应的内核：

 

 

而计算图像Y方向的导数，取【xorder= 0，yorder = 1，ksize = 3】相应的内核：

 

3.3 调用Sobel函数的实例代码

调用Sobel函数的实例代码例如以下。这里仅仅是教大家怎样使用Sobel函数，就没有先用一句cvtColor将原图;转化为灰度图，而是直接用彩色图操作。

 

//-----------------------------------【头文件包括部分】---------------------------------------//            描写叙述：包括程序所依赖的头文件//----------------------------------------------------------------------------------------------#include 
      
       #include
       
        #include
        
         //-----------------------------------【命名空间声明部分】---------------------------------------//            描写叙述：包括程序所使用的命名空间//-----------------------------------------------------------------------------------------------using namespace cv;//-----------------------------------【main( )函数】--------------------------------------------//            描写叙述：控制台应用程序的入口函数，我们的程序从这里開始//-----------------------------------------------------------------------------------------------int main( ){	//【0】创建 grad_x 和 grad_y 矩阵	Mat grad_x, grad_y;	Mat abs_grad_x, abs_grad_y,dst;	//【1】加载原始图  	Mat src = imread("1.jpg");  //project文件夹下应该有一张名为1.jpg的素材图	//【2】显示原始图 	imshow("【原始图】sobel边缘检測", src); 	//【3】求 X方向梯度	Sobel( src, grad_x, CV_16S, 1, 0, 3, 1, 1, BORDER_DEFAULT );	convertScaleAbs( grad_x, abs_grad_x );	imshow("【效果图】 X方向Sobel", abs_grad_x); 	//【4】求Y方向梯度	Sobel( src, grad_y, CV_16S, 0, 1, 3, 1, 1, BORDER_DEFAULT );	convertScaleAbs( grad_y, abs_grad_y );	imshow("【效果图】Y方向Sobel", abs_grad_y); 	//【5】合并梯度(近似)	addWeighted( abs_grad_x, 0.5, abs_grad_y, 0.5, 0, dst );	imshow("【效果图】总体方向Sobel", dst); 	waitKey(0); 	return 0; }
        
       
      

执行截图例如以下：

 

 

四、Laplace算子篇

4.1 Laplace算子相关理论与概念解说

 

Laplacian 算子是n维欧几里德空间中的一个二阶微分算子，定义为梯度grad（）的散度div（）。因此假设f是二阶可微的实函数，则f的拉普拉斯算子定义为：

(1) f的拉普拉斯算子也是笛卡儿坐标系xi中的全部非混合二阶偏导数求和：

(2) 作为一个二阶微分算子，拉普拉斯算子把C函数映射到C函数，对于k ≥ 2。表达式(1)（或(2)）定义了一个算子Δ :C(R) → C(R)，或更一般地，定义了一个算子Δ : C(Ω) → C(Ω)，对于不论什么开集Ω。

 

依据图像处理的原理我们知道，二阶导数能够用来进行检測边缘 。 由于图像是 “二维”, 我们须要在两个方向进行求导。使用Laplacian算子将会使求导过程变得简单。

 

Laplacian 算子的定义:

 

 

须要点破的是，由于 Laplacian使用了图像梯度，它内部的代码事实上是调用了 Sobel 算子的。

另附一个小tips：让一幅图像减去它的Laplacian能够增强对照度。

 

关于Laplace算子的相关概念阐述，能够參看这篇博文：

Laplace算子的wikipedia：

 

4.2 OpenCV中Laplacian函数具体解释

Laplacian函数能够计算出图像经过拉普拉斯变换后的结果。

 

C++: void Laplacian(InputArray src,OutputArray dst, int ddepth, int ksize=1, double scale=1, double delta=0, intborderType=BORDER_DEFAULT );

• 第一个參数，InputArray类型的image，输入图像，即源图像，填Mat类的对象就可以，且需为单通道8位图像。
• 第二个參数，OutputArray类型的edges，输出的边缘图，须要和源图片有一样的尺寸和通道数。
• 第三个參数，int类型的ddept，目标图像的深度。
• 第四个參数，int类型的ksize，用于计算二阶导数的滤波器的孔径尺寸，大小必须为正奇数，且有默认值1。
• 第五个參数，double类型的scale，计算拉普拉斯值的时候可选的比例因子，有默认值1。
• 第六个參数，double类型的delta，表示在结果存入目标图（第二个參数dst）之前可选的delta值，有默认值0。
• 第七个參数， int类型的borderType，边界模式，默认值为BORDER_DEFAULT。这个參数能够在官方文档中borderInterpolate()处得到更具体的信息。

Laplacian( )函数事实上主要是利用sobel算子的运算。它通过加上sobel算子运算出的图像x方向和y方向上的导数，来得到我们加载图像的拉普拉斯变换结果。

当中，sobel算子（ksize>1）例如以下：

 

而当ksize=1时，Laplacian()函数採用以下3x3的孔径：

 

 

 

 

4.3 调用Laplacian函数的实例代码

 

 

让我们看一看调用实例：

 

//-----------------------------------【头文件包括部分】---------------------------------------//            描写叙述：包括程序所依赖的头文件//----------------------------------------------------------------------------------------------#include 
      
       #include
       
        #include
        
         //-----------------------------------【命名空间声明部分】---------------------------------------//            描写叙述：包括程序所使用的命名空间//-----------------------------------------------------------------------------------------------using namespace cv;//-----------------------------------【main( )函数】--------------------------------------------//            描写叙述：控制台应用程序的入口函数，我们的程序从这里開始//-----------------------------------------------------------------------------------------------int main( ){	//【0】变量的定义	Mat src,src_gray,dst, abs_dst;	//【1】加载原始图  	src = imread("1.jpg");  //project文件夹下应该有一张名为1.jpg的素材图	//【2】显示原始图 	imshow("【原始图】图像Laplace变换", src); 	//【3】使用高斯滤波消除噪声	GaussianBlur( src, src, Size(3,3), 0, 0, BORDER_DEFAULT );	//【4】转换为灰度图	cvtColor( src, src_gray, CV_RGB2GRAY );	//【5】使用Laplace函数	Laplacian( src_gray, dst, CV_16S, 3, 1, 0, BORDER_DEFAULT );	//【6】计算绝对值，并将结果转换成8位	convertScaleAbs( dst, abs_dst );	//【7】显示效果图	imshow( "【效果图】图像Laplace变换", abs_dst );	waitKey(0); 	return 0; }
        
       
      

演示样例效果图：

 

 

 

 

 

五、scharr滤波器篇

scharr一般我就直接称它为滤波器，而不是算子。上文我们已经讲到，它在OpenCV中主要是配合Sobel算子的运算而存在的,一个万年备胎。让我们直接来看看函数解说吧。

 

5.1 OpenCV中Scharr函数具体解释

 

使用Scharr滤波器运算符计算x或y方向的图像差分。事实上它的參数变量和Sobel基本上是一样的，除了没有ksize核的大小。

 

C++: void Scharr(InputArray src, //源图 OutputArray dst, //目标图 int ddepth,//图像深度 int dx,// x方向上的差分阶数 int dy,//y方向上的差分阶数 double scale=1,//缩放因子 double delta=0,// delta值 intborderType=BORDER_DEFAULT )// 边界模式

• 第一个參数，InputArray 类型的src，为输入图像，填Mat类型就可以。
• 第二个參数，OutputArray类型的dst，即目标图像，函数的输出參数，须要和源图片有一样的尺寸和类型。
• 第三个參数，int类型的ddepth，输出图像的深度，支持例如以下src.depth()和ddepth的组合：

• • 若src.depth() = CV_8U, 取ddepth =-1/CV_16S/CV_32F/CV_64F
  • 若src.depth() = CV_16U/CV_16S, 取ddepth =-1/CV_32F/CV_64F
  • 若src.depth() = CV_32F, 取ddepth =-1/CV_32F/CV_64F
  • 若src.depth() = CV_64F, 取ddepth = -1/CV_64F

• 第四个參数，int类型dx，x方向上的差分阶数。
• 第五个參数，int类型dy，y方向上的差分阶数。
• 第六个參数，double类型的scale，计算导数值时可选的缩放因子，默认值是1，表示默认情况下是没有应用缩放的。我们能够在文档中查阅getDerivKernels的相关介绍，来得到这个參数的很多其它信息。
• 第七个參数，double类型的delta，表示在结果存入目标图（第二个參数dst）之前可选的delta值，有默认值0。
• 第八个參数， int类型的borderType，我们的老朋友了（万年是最后一个參数），边界模式，默认值为BORDER_DEFAULT。这个參数能够在官方文档中borderInterpolate处得到更具体的信息。

 

不难理解，例如以下两者是等价的：

Scharr(src, dst, ddepth, dx, dy, scale,delta, borderType);

与

Sobel(src, dst, ddepth, dx, dy, CV_SCHARR,scale, delta, borderType);

 

5.2 调用Scharr函数的实例代码

 

//-----------------------------------【头文件包括部分】---------------------------------------//            描写叙述：包括程序所依赖的头文件//----------------------------------------------------------------------------------------------#include 
      
       #include
       
        #include
        
         //-----------------------------------【命名空间声明部分】---------------------------------------//            描写叙述：包括程序所使用的命名空间//-----------------------------------------------------------------------------------------------using namespace cv;//-----------------------------------【main( )函数】--------------------------------------------//            描写叙述：控制台应用程序的入口函数，我们的程序从这里開始//-----------------------------------------------------------------------------------------------int main( ){	//【0】创建 grad_x 和 grad_y 矩阵	Mat grad_x, grad_y;	Mat abs_grad_x, abs_grad_y,dst;	//【1】加载原始图  	Mat src = imread("1.jpg");  //project文件夹下应该有一张名为1.jpg的素材图	//【2】显示原始图 	imshow("【原始图】Scharr滤波器", src); 	//【3】求 X方向梯度	Scharr( src, grad_x, CV_16S, 1, 0, 1, 0, BORDER_DEFAULT );	convertScaleAbs( grad_x, abs_grad_x );	imshow("【效果图】 X方向Scharr", abs_grad_x); 	//【4】求Y方向梯度	Scharr( src, grad_y, CV_16S, 0, 1, 1, 0, BORDER_DEFAULT );	convertScaleAbs( grad_y, abs_grad_y );	imshow("【效果图】Y方向Scharr", abs_grad_y); 	//【5】合并梯度(近似)	addWeighted( abs_grad_x, 0.5, abs_grad_y, 0.5, 0, dst );	//【6】显示效果图	imshow("【效果图】合并梯度后Scharr", dst); 	waitKey(0); 	return 0; }
        
       
      

执行效果图：

 

 

 

六、综合演示样例篇——在实战中熟稔

 

 

依旧是每篇文章都会配给大家的一个具体凝视的博文配套演示样例程序，把这篇文章中介绍的知识点以代码为载体，展现给大家。

这个演示样例程序中，分别演示了canny边缘检測，sobel边缘检測，scharr滤波器的使用，那么，上具体凝视的代码吧：

 

//-----------------------------------【程序说明】----------------------------------------------//		程序名称:：《【OpenCV新手教程之十二】OpenCV边缘检測：Canny算子,Sobel算子,Laplace算子,Scharr滤波器合辑合辑》 博文配套源码 //		开发所用IDE版本号：Visual Studio 2010//   		开发所用OpenCV版本号：	2.4.9//		2014年5月11日 Create by 浅墨//		浅墨的微博：@浅墨_毛星云 http://weibo.com/1723155442/profile?topnav=1&wvr=5&user=1//		浅墨的知乎：http://www.zhihu.com/people/mao-xing-yun//		浅墨的豆瓣：http://www.douban.com/people/53426472///----------------------------------------------------------------------------------------------//-----------------------------------【头文件包括部分】---------------------------------------//		描写叙述：包括程序所依赖的头文件//---------------------------------------------------------------------------------------------- #include 
      
       #include 
       
        //-----------------------------------【命名空间声明部分】--------------------------------------//		描写叙述：包括程序所使用的命名空间//----------------------------------------------------------------------------------------------- using namespace cv;//-----------------------------------【全局变量声明部分】--------------------------------------//		描写叙述：全局变量声明//-----------------------------------------------------------------------------------------------//原图，原图的灰度版，目标图Mat g_srcImage, g_srcGrayImage,g_dstImage;//Canny边缘检測相关变量Mat g_cannyDetectedEdges;int g_cannyLowThreshold=1;//TrackBar位置參数  //Sobel边缘检測相关变量Mat g_sobelGradient_X, g_sobelGradient_Y;Mat g_sobelAbsGradient_X, g_sobelAbsGradient_Y;int g_sobelKernelSize=1;//TrackBar位置參数  //Scharr滤波器相关变量Mat g_scharrGradient_X, g_scharrGradient_Y;Mat g_scharrAbsGradient_X, g_scharrAbsGradient_Y;//-----------------------------------【全局函数声明部分】--------------------------------------//		描写叙述：全局函数声明//-----------------------------------------------------------------------------------------------static void ShowHelpText( );static void on_Canny(int, void*);//Canny边缘检測窗体滚动栏的回调函数static void on_Sobel(int, void*);//Sobel边缘检測窗体滚动栏的回调函数void Scharr( );//封装了Scharr边缘检測相关代码的函数//-----------------------------------【main( )函数】--------------------------------------------//		描写叙述：控制台应用程序的入口函数，我们的程序从这里開始//-----------------------------------------------------------------------------------------------int main( int argc, char** argv ){	//改变console字体颜色	system("color 2F");  	//显示欢迎语	ShowHelpText();	//加载原图	g_srcImage = imread("1.jpg");	if( !g_srcImage.data ) { printf("Oh，no，读取srcImage错误~！ \n"); return false; }	//显示原始图	namedWindow("【原始图】");	imshow("【原始图】", g_srcImage);	// 创建与src同类型和大小的矩阵(dst)	g_dstImage.create( g_srcImage.size(), g_srcImage.type() );	// 将原图像转换为灰度图像	cvtColor( g_srcImage, g_srcGrayImage, CV_BGR2GRAY );	// 创建显示窗体	namedWindow( "【效果图】Canny边缘检測", CV_WINDOW_AUTOSIZE );	namedWindow( "【效果图】Sobel边缘检測", CV_WINDOW_AUTOSIZE );	// 创建trackbar	createTrackbar( "參数值：", "【效果图】Canny边缘检測", &g_cannyLowThreshold, 120, on_Canny );	createTrackbar( "參数值：", "【效果图】Sobel边缘检測", &g_sobelKernelSize, 3, on_Sobel );	// 调用回调函数	on_Canny(0, 0);	on_Sobel(0, 0);	//调用封装了Scharr边缘检測代码的函数	Scharr( );	//轮询获取按键信息，若按下Q，程序退出	while((char(waitKey(1)) != 'q')) {}	return 0;}//-----------------------------------【ShowHelpText( )函数】----------------------------------//		描写叙述：输出一些帮助信息//----------------------------------------------------------------------------------------------static void ShowHelpText(){	//输出一些帮助信息	printf( "\n\n\t嗯。执行成功，请调整滚动栏观察图像效果~\n\n"		"\t按下“q”键时，程序退出~!\n"		"\n\n\t\t\t\t by浅墨"	);}//-----------------------------------【on_Canny( )函数】----------------------------------//		描写叙述：Canny边缘检測窗体滚动栏的回调函数//-----------------------------------------------------------------------------------------------void on_Canny(int, void*){	// 先使用 3x3内核来降噪	blur( g_srcGrayImage, g_cannyDetectedEdges, Size(3,3) );	// 执行我们的Canny算子	Canny( g_cannyDetectedEdges, g_cannyDetectedEdges, g_cannyLowThreshold, g_cannyLowThreshold*3, 3 );	//先将g_dstImage内的全部元素设置为0 	g_dstImage = Scalar::all(0);	//使用Canny算子输出的边缘图g_cannyDetectedEdges作为掩码，来将原图g_srcImage拷到目标图g_dstImage中	g_srcImage.copyTo( g_dstImage, g_cannyDetectedEdges);	//显示效果图	imshow( "【效果图】Canny边缘检測", g_dstImage );}//-----------------------------------【on_Sobel( )函数】----------------------------------//		描写叙述：Sobel边缘检測窗体滚动栏的回调函数//-----------------------------------------------------------------------------------------void on_Sobel(int, void*){	// 求 X方向梯度	Sobel( g_srcImage, g_sobelGradient_X, CV_16S, 1, 0, (2*g_sobelKernelSize+1), 1, 1, BORDER_DEFAULT );	convertScaleAbs( g_sobelGradient_X, g_sobelAbsGradient_X );//计算绝对值，并将结果转换成8位	// 求Y方向梯度	Sobel( g_srcImage, g_sobelGradient_Y, CV_16S, 0, 1, (2*g_sobelKernelSize+1), 1, 1, BORDER_DEFAULT );	convertScaleAbs( g_sobelGradient_Y, g_sobelAbsGradient_Y );//计算绝对值，并将结果转换成8位	// 合并梯度	addWeighted( g_sobelAbsGradient_X, 0.5, g_sobelAbsGradient_Y, 0.5, 0, g_dstImage );	//显示效果图	imshow("【效果图】Sobel边缘检測", g_dstImage); }//-----------------------------------【Scharr( )函数】----------------------------------//		描写叙述：封装了Scharr边缘检測相关代码的函数//-----------------------------------------------------------------------------------------void Scharr( ){	// 求 X方向梯度	Scharr( g_srcImage, g_scharrGradient_X, CV_16S, 1, 0, 1, 0, BORDER_DEFAULT );	convertScaleAbs( g_scharrGradient_X, g_scharrAbsGradient_X );//计算绝对值，并将结果转换成8位	// 求Y方向梯度	Scharr( g_srcImage, g_scharrGradient_Y, CV_16S, 0, 1, 1, 0, BORDER_DEFAULT );	convertScaleAbs( g_scharrGradient_Y, g_scharrAbsGradient_Y );//计算绝对值，并将结果转换成8位	// 合并梯度	addWeighted( g_scharrAbsGradient_X, 0.5, g_scharrAbsGradient_Y, 0.5, 0, g_dstImage );	//显示效果图	imshow("【效果图】Scharr滤波器", g_dstImage); }
       
      

放出一些执行效果图：

 

canny边缘检測效果图：

 

Sobel边缘检測：

Scharr滤波器：

好的，就放出这些效果图吧，具体很多其它的执行效果大家就自己下载演示样例程序回去玩~

 

本篇文章的配套源码请点击这里下载：

 

 

 

OK，今天的内容大概就是这些，我们下篇文章见：）