opencv邊緣檢測原理

　　邊緣檢測的理解可以結(jié)合前面的內(nèi)核，說到內(nèi)核在圖像中的應(yīng)用還真是多，到現(xiàn)在為止學(xué)的對圖像的操作都是核的操作，下面還有更神奇的！

　　想把邊緣檢測出來，從圖像像素的角度去想，那就是像素值差別很大，比如X1=20和X2=200，這兩個像素差值180，在圖像的顯示就非常明顯，這樣圖像的邊緣不就體現(xiàn)出來了？但是問題來了，一幅圖像給你，如果一個像素一個像素對比，

　　邊緣檢測原理及步驟

　　在之前的博文中，作者從一維函數(shù)的躍變檢測開始，循序漸進(jìn)的對二維圖像邊緣檢測的基本原理進(jìn)行了通俗化的描述。結(jié)論是：實現(xiàn)圖像的邊緣檢測，就是要用離散化梯度逼近函數(shù)根據(jù)二維灰度矩陣梯度向量來尋找圖像灰度矩陣的灰度躍變位置，然后在圖像中將這些位置的點連起來就構(gòu)成了所謂的圖像邊緣（圖像邊緣在這里是一個統(tǒng)稱，包括了二維圖像上的邊緣、角點、紋理等基元圖）。

　　在實際情況中理想的灰度階躍及其線條邊緣圖像是很少見到的，同時大多數(shù)的傳感器件具有低頻濾波特性，這樣會使得階躍邊緣變?yōu)樾逼滦赃吘墸雌饋砥渲械膹姸茸兓皇撬查g的，而是跨越了一定的距離。這就使得在邊緣檢測中首先要進(jìn)行的工作是濾波。

　　1）濾波：邊緣檢測的算法主要是基于圖像強度的一階和二階導(dǎo)數(shù)，但導(dǎo)數(shù)通常對噪聲很敏感，因此必須采用濾波器來改善與噪聲有關(guān)的邊緣檢測器的性能。常見的濾波方法主要有高斯濾波，即采用離散化的高斯函數(shù)產(chǎn)生一組歸一化的高斯核（具體見“高斯濾波原理及其編程離散化實現(xiàn)方法”一文），然后基于高斯核函數(shù)對圖像灰度矩陣的每一點進(jìn)行加權(quán)求和（具體程序?qū)崿F(xiàn)見下文）。

　　2）增強：增強邊緣的基礎(chǔ)是確定圖像各點鄰域強度的變化值。增強算法可以將圖像灰度點鄰域強度值有顯著變化的點凸顯出來。在具體編程實現(xiàn)時，可通過計算梯度幅值來確定。

　　3）檢測：經(jīng)過增強的圖像，往往鄰域中有很多點的梯度值比較大，而在特定的應(yīng)用中，這些點并不是我們要找的邊緣點，所以應(yīng)該采用某種方法來對這些點進(jìn)行取舍。實際工程中，常用的方法是通過閾值化方法來檢測。

　　邊緣檢測算法

　　1、Sobel邊緣檢測算法為例。

　　Sobel卷積核模板為：

　　偏導(dǎo)公式為：

　　2、Robert算子檢測邊緣：

　　x和y方向的算子

　　觀察上訴的算子，可以發(fā)現(xiàn)和我們剛開始設(shè)想的一個一個比較差不多，比如本來比如X1=20和X2=40，這兩個像素差值20，但是20體現(xiàn)不出來，所以用1，-1來增大這種差值，這其實解決了我們上訴遇到的第一點問題了，但是后面的兩點依然沒有解決。

　　具體的例子我們可以用opencv自帶的API，addwight進(jìn)行試驗，把核改一下就行了。。。

　　Roberts算子檢測方法對具有陡峭的低噪聲的圖像處理效果較好，但是利用roberts算子提取邊緣的結(jié)果是邊緣比較粗，因此邊緣的定位不是很準(zhǔn)確。

　　X和Y方向

　　對X\Y兩個方向的梯度進(jìn)行合并