利用OpenCV的库函数Sobel和Scharr作图像的边缘检测

心已赠人 2022-09-21 15:17 161阅读 0赞

图像边缘检测的概念我就不多说了，可以参考上一篇博文（[http://blog.csdn.net/wenhao\_ir/article/details/51743382][http_blog.csdn.net_wenhao_ir_article_details_51743382]）或者查阅相关资料。

在这里，说下Sobel算子进行边缘检测和上一篇博文中提到的“利用图像在水平和垂直方向上的差分运算对图像进行边缘检测”的相似处和区别！

1 sobel算子也同上一篇博文中提到的边缘检测算法一样，在水平和垂直方向两个方向上作边缘检测运算。

2 sobel算子利用的是滑动窗口(即卷积核)的方法进行边缘检测，虽然也是求像素点上下，左右的差值，但是它是加了权重的。

3  sobel算对噪声具有平滑作用，提供较为精确的边缘方向信息，边缘定位精度不够高。当对精度要求不是很高时，是一种较为常用的边缘检测方法。

再来说下函数Scharr

当Sobel核因子大小为3时，内核因子的计算可能会产生一定的误差，此时，OpenCV中我提供一个更精确的肉核心因子及Scharr函数，其计算的时间复杂度与Sobel相当。（不过，根据实际的程序来观察，我观察其效果还不如Sobel的三阶内核啊，大家等会儿可以看运行结果）

下面来解释下Sobel的函数原型：

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 );

第一个参数，InputArray 类型的src，为输入图像，填Mat类型即可。  
第二个参数，OutputArray类型的dst，即目标图像，函数的输出参数，需要和源图片有一样的尺寸和类型。  
第三个参数，int类型的ddepth，输出图像的深度，支持如下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  
第四个参数，int类型dx，x 方向上的差分阶数。（官方文档上也是这么说的，但是你看最后的结果明显是y方向上的差分阶数才对啊）  
第五个参数，int类型dy，y方向上的差分阶数。 （官方文档上也是这么说的，但是你看最后的结果明显是x方向上的差分阶数才对啊）  
第六个参数，int类型ksize，有默认值3，表示Sobel核的大小;必须取1，3，5或7。  
第七个参数，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。我们可以在文档中查阅getDerivKernels的相关介绍，来得到这个参数的更多信息。  
第八个参数，double类型的delta，表示在结果存入目标图（第二个参数dst）之前可选的delta值，有默认值0。【具体这个值有什么作用，我还不清楚】  
第九个参数， int类型的borderType，我们的老朋友了（万年是最后一个参数），边界模式，默认值为BORDER\_DEFAULT。这个参数我在前面的博文（[http://blog.csdn.net/wenhao\_ir/article/details/51699064][http_blog.csdn.net_wenhao_ir_article_details_51699064]）中已经讲过，这里不再赘述了！

Scharr函数只是比Sobel函数少了个ksize的参数，原因是它的ksize是定值3，所以当然不需要了！

下面上源程序：

源代码请参见博文[https://blog.csdn.net/lehuoziyuan/article/details/84136050][https_blog.csdn.net_lehuoziyuan_article_details_84136050]

[http_blog.csdn.net_wenhao_ir_article_details_51743382]: http://blog.csdn.net/wenhao_ir/article/details/51743382
[http_blog.csdn.net_wenhao_ir_article_details_51699064]: http://blog.csdn.net/wenhao_ir/article/details/51699064
[https_blog.csdn.net_lehuoziyuan_article_details_84136050]: https://blog.csdn.net/lehuoziyuan/article/details/84136050