边缘检测
什么是图像的边缘？API 图像卷积
图像的边缘是图像最基本的特征之一。所谓边缘（或边沿）是指周围像素灰度有跳跃性变化或“屋顶”变化的那些像素的集合。边缘是图像局部强度变化最明显的地方，它主要存在于目标与目标、目标与背景、区域与区域之间，因此它是图像分割依赖的重要特征。从本质上说，图像边缘是图像局部特性不连续性（灰度突变、颜色突变、纹理结构突变等）的反应，它标志着一个区域的终结和另一个区域的开始。
检测出的边缘并不等同于实际目标的真实边缘。由于图像数据是二维的，而实际物体是三维的，从三维到二维的投影必然会造成信息的丢失，再加上成像过程中的光照不均和噪声等因素的影响，使得有边缘的地方不一定能被检测出来，而检测出的边缘也不一定代表实际边缘。
图像的边缘有方向和幅度两个属性，沿边缘方向像素变化平缓，垂直于边缘方向像素变化剧烈。边缘上的这种变化可以用微分算子检测出来，通常用一阶或两阶导数来检测边缘。一阶导数认为最大值对应边缘位置，而二阶导数则以过零点对应边缘位置。
文章图片
由于图像是离散的信号，我们可以用临近的两个像素差值来表示像素灰度值函数的导数，如下：
文章图片
这种X轴方向求导方式对应于滤波器为[1, -1]，对于Y轴方向则是[1, -1]的转置矩阵。
但是这种求导方式的计算结果最接近于两个像素中间位置的梯度，而两个像素之间是不存在像素的，因此，我们应该选取像素点的前后像素的差值来进行计算，如下：
文章图片
此时，对应的X轴方向的滤波器为[0.5, 0, -0.5]，对应的Y轴方向的滤波器则是其转置矩阵。根据这种方式，我们也可以得到计算45度方向的梯度对应的滤波器。
0.5 0 0 0 0 0 0 0 ? 0.5 \begin{matrix} 0.5 & 0 & 0 \\ 0 & 0 & 0 \\ 0 & 0 & -0.5 \end{matrix} 0.500?000?00?0.5?
0 0 0.5 0 0 0 ? 0.5 0 0 \begin{matrix} 0 & 0 & 0.5 \\ 0 & 0 & 0 \\ -0.5 & 0 & 0 \end{matrix} 00?0.5?000?0.500?
public static void filter2D(Mat src, Mat dst, int ddepth, Mat kernel, Point anchor, double delta, int borderType)
- 参数一：src，输入图像。
- 参数二：dst，输出图像，与输入图像具有相同的尺寸和通道数。
- 参数三：ddepth，输出图像的数据类型（深度），根据输入图像的数据类型不同拥有不同的取值范围。当赋值为-1时，输出图像的数据类型自动选择。
- 参数四：kernel，卷积核，CV_32FC1类型的矩阵。
- 参数五：anchor，内核的基准点(锚点)，默认值(-1,-1)代表内核基准点位于kernel的中心位置。基准点即卷积核中与进行处理的像素点重合的点，其位置必须在卷积核的内部。
- 参数六：delta，偏值，在计算结果中加上偏值。
- 参数七：borderType，像素外推法选择标志。默认参数为BORDER_DEFAULT，表示不包含边界值倒序填充。
图像的边缘有可能是由高像素值变为低像素值，也有可能是由低像素值变成高像素值，通过卷积计算得到的正数值表示需要像素值突然由低变高，得到的负数值表示像素值由高到低，这两种都是图像的边缘，因此为了在图像中同时表示出这两种边缘信息，需要将计算的结果求取绝对值。
public static void convertScaleAbs(Mat src, Mat dst, double alpha, double beta)
- 参数一：src，输入图像。
- 参数二：dst，计算绝对值后输入矩阵。
- 参数三：缩放因子，默认参数为只求取绝对值不进行缩放。
- 参数四：在原始数据上添加的偏值，默认参数表示不增加偏值。
dst ( I ) = saturate_cast
操作
/**
* 边缘检测
* author: yidong
* 2020/5/2
*/
class EdgeDetectionActivity : AppCompatActivity() {private lateinit var mBinding: ActivityEdgeDetectionBinding
private lateinit var mRgb: Matoverride fun onCreate(savedInstanceState: Bundle?) {
super.onCreate(savedInstanceState)
mBinding = DataBindingUtil.setContentView(this, R.layout.activity_edge_detection)
val bgr = Utils.loadResource(this, R.drawable.lena)
mRgb = Mat()
Imgproc.cvtColor(bgr, mRgb, Imgproc.COLOR_BGR2RGB)
showMat(mBinding.ivLena, mRgb)
}private fun showMat(view: ImageView, source: Mat) {
val bitmap = Bitmap.createBitmap(source.width(), source.height(), Bitmap.Config.ARGB_8888)
bitmap.density = 360
Utils.matToBitmap(source, bitmap)
view.setImageBitmap(bitmap)
}override fun onCreateOptionsMenu(menu: Menu?): Boolean {
menuInflater.inflate(R.menu.menu_edge_detection, menu)
return true
}override fun onOptionsItemSelected(item: MenuItem): Boolean {
when (item.itemId) {
R.id.edge_detection_x -> {
edgeDetectionX()
}
R.id.edge_detection_y -> {
edgeDetectionY()
}
R.id.edge_detection_x_y -> {
edgeDetectionXAndY()
}
R.id.edge_detection_xy -> {
edgeDetectionXY()
}
R.id.edge_detection_yx -> {
edgeDetectionYX()
}
}
return true
}private fun edgeDetectionX() {
title = "X轴方向边缘检测"
// X轴方向边缘检测
val kernelX = Mat(1, 3, CvType.CV_16S)
val arrayX = shortArrayOf(-1, 0, 1)
kernelX.put(0, 0, arrayX)
val resultKernelX = Mat()
Imgproc.filter2D(mRgb, resultKernelX, CvType.CV_16S, kernelX)
Core.convertScaleAbs(resultKernelX, resultKernelX)
showMat(mBinding.ivResult, resultKernelX)
kernelX.release()
resultKernelX.release()
}private fun edgeDetectionY() {
title = "Y轴方向边缘检测"
// Y轴方向边缘检测
val kernelY = Mat(3, 1, CvType.CV_16S)
val arrayY = shortArrayOf(-1, 0, 1)
kernelY.put(0, 0, arrayY)
val resultKernelY = Mat()
Imgproc.filter2D(mRgb, resultKernelY, CvType.CV_16S, kernelY)
Core.convertScaleAbs(resultKernelY, resultKernelY)
showMat(mBinding.ivResult, resultKernelY)
kernelY.release()
resultKernelY.release()
}private fun edgeDetectionXAndY() {
title = "X和Y轴方向边缘检测"
// X轴方向边缘检测
val kernelX = Mat(1, 3, CvType.CV_16S)
val arrayX = shortArrayOf(-1, 0, 1)
kernelX.put(0, 0, arrayX)
val resultKernelX = Mat()
Imgproc.filter2D(mRgb, resultKernelX, CvType.CV_16S, kernelX)
Core.convertScaleAbs(resultKernelX, resultKernelX)
// Y轴方向边缘检测
val kernelY = Mat(3, 1, CvType.CV_16S)
val arrayY = shortArrayOf(-1, 0, 1)
kernelY.put(0, 0, arrayY)
val resultKernelY = Mat()
Imgproc.filter2D(mRgb, resultKernelY, CvType.CV_16S, kernelY)
Core.convertScaleAbs(resultKernelY, resultKernelY)// X,Y轴方向合并
val resultXY = Mat()
Core.add(resultKernelX, resultKernelY, resultXY)
showMat(mBinding.ivResult, resultXY)kernelX.release()
resultKernelX.release()
kernelY.release()
resultKernelY.release()
resultXY.release()
}private fun edgeDetectionXY() {
title = "由左上到右下方向边缘检测"
//由左上到右下方向边缘检测
val kernelXY = Mat(2, 2, CvType.CV_16S)
val arrayXY = shortArrayOf(1, 0, 0, -1)
kernelXY.put(0, 0, arrayXY)
val resultKernelXY = Mat()
Imgproc.filter2D(mRgb, resultKernelXY, CvType.CV_16S, kernelXY)
Core.convertScaleAbs(resultKernelXY, resultKernelXY)
showMat(mBinding.ivResult, resultKernelXY)
kernelXY.release()
resultKernelXY.release()
}private fun edgeDetectionYX() {
title = "由右上到左下方向边缘检测"
//由右上到左下方向边缘检测
val kernelYX = Mat(2, 2, CvType.CV_16S)
val arrayYX = shortArrayOf(0, -1, 1, 0)
kernelYX.put(0, 0, arrayYX)
val resultKernelYX = Mat()
Imgproc.filter2D(mRgb, resultKernelYX, CvType.CV_16S, kernelYX)
Core.convertScaleAbs(resultKernelYX, resultKernelYX)
showMat(mBinding.ivResult, resultKernelYX)
kernelYX.release()
resultKernelYX.release()
}
}
效果
文章图片
文章图片
文章图片
文章图片
文章图片
源码 https://github.com/onlyloveyd/LearningAndroidOpenCV
扫码关注，持续更新 【Android|Android OpenCV（二十二）（边缘检测）】回复【计算机视觉】获取计算机视觉相关必备学习资料
回复【Android】获取Android,Kotlin必备学习资料
文章图片
