canny算法代码实现
来源：互联网 发布：淘宝假链接是如何制作 编辑：程序博客网 时间：2024/05/30 23:04
#include "core/core.hpp" #include "highgui/highgui.hpp" #include "imgproc/imgproc.hpp" #include "iostream" #include "math.h" using namespace std; using namespace cv; //******************灰度转换函数************************* //第一个参数image输入的彩色RGB图像； //第二个参数imageGray是转换后输出的灰度图像； //************************************************************* void ConvertRGB2GRAY(const Mat &image,Mat &imageGray); //******************高斯卷积核生成函数************************* //第一个参数gaus是一个指向含有N个double类型数组的指针； //第二个参数size是高斯卷积核的尺寸大小； //第三个参数sigma是卷积核的标准差 //************************************************************* void GetGaussianKernel(double **gaus, const int size,const double sigma); //******************高斯滤波************************* //第一个参数imageSource是待滤波原始图像； //第二个参数imageGaussian是滤波后输出图像； //第三个参数gaus是一个指向含有N个double类型数组的指针； //第四个参数size是滤波核的尺寸 //************************************************************* void GaussianFilter(const Mat imageSource,Mat &imageGaussian,double **gaus,int size); //******************Sobel算子计算梯度和方向******************** //第一个参数imageSourc原始灰度图像； //第二个参数imageSobelX是X方向梯度图像； //第三个参数imageSobelY是Y方向梯度图像； //第四个参数pointDrection是梯度方向数组指针 //************************************************************* void SobelGradDirction(const Mat imageSource,Mat &imageSobelX,Mat &imageSobelY,double *&pointDrection); //******************计算Sobel的X和Y方向梯度幅值************************* //第一个参数imageGradX是X方向梯度图像； //第二个参数imageGradY是Y方向梯度图像； //第三个参数SobelAmpXY是输出的X、Y方向梯度图像幅值 //************************************************************* void SobelAmplitude(const Mat imageGradX,const Mat imageGradY,Mat &SobelAmpXY); //******************局部极大值抑制************************* //第一个参数imageInput输入的Sobel梯度图像； //第二个参数imageOutPut是输出的局部极大值抑制图像； //第三个参数pointDrection是图像上每个点的梯度方向数组指针 //************************************************************* void LocalMaxValue(const Mat imageInput,Mat &imageOutput,double *pointDrection); //******************双阈值处理************************* //第一个参数imageInput输入和输出的的Sobel梯度幅值图像； //第二个参数lowThreshold是低阈值 //第三个参数highThreshold是高阈值 //****************************************************** void DoubleThreshold(Mat &imageIput,double lowThreshold,double highThreshold); //******************双阈值中间像素连接处理********************* //第一个参数imageInput输入和输出的的Sobel梯度幅值图像； //第二个参数lowThreshold是低阈值 //第三个参数highThreshold是高阈值 //************************************************************* void DoubleThresholdLink(Mat &imageInput,double lowThreshold,double highThreshold); Mat imageSource; Mat imageGray; Mat imageGaussian; int main(int argc,char *argv[]) { imageSource=imread(argv[1]); //读入RGB图像 imshow("RGB Image",imageSource); ConvertRGB2GRAY(imageSource,imageGray); //RGB转换为灰度图 imshow("Gray Image",imageGray); int size=5; //定义卷积核大小 double **gaus=new double *[size]; //卷积核数组 for(int i=0;i<size;i++) { gaus[i]=new double[size]; //动态生成矩阵 } GetGaussianKernel(gaus,5,1); //生成5*5 大小高斯卷积核，Sigma=1； imageGaussian=Mat::zeros(imageGray.size(),CV_8UC1); GaussianFilter(imageGray,imageGaussian,gaus,5); //高斯滤波 imshow("Gaussian Image",imageGaussian); Mat imageSobelY; Mat imageSobelX; double *pointDirection=new double[(imageSobelX.cols-1)*(imageSobelX.rows-1)]; //定义梯度方向角数组 SobelGradDirction(imageGaussian,imageSobelX,imageSobelY,pointDirection); //计算X、Y方向梯度和方向角 imshow("Sobel Y",imageSobelY); imshow("Sobel X",imageSobelX); Mat SobelGradAmpl; SobelAmplitude(imageSobelX,imageSobelY,SobelGradAmpl); //计算X、Y方向梯度融合幅值 imshow("Soble XYRange",SobelGradAmpl); Mat imageLocalMax; LocalMaxValue(SobelGradAmpl,imageLocalMax,pointDirection); //局部非极大值抑制 imshow("Non-Maximum Image",imageLocalMax); Mat cannyImage; cannyImage=Mat::zeros(imageLocalMax.size(),CV_8UC1); DoubleThreshold(imageLocalMax,90,160); //双阈值处理 imshow("Double Threshold Image",imageLocalMax); DoubleThresholdLink(imageLocalMax,90,160); //双阈值中间阈值滤除及连接 imshow("Canny Image",imageLocalMax); waitKey(); system("pause"); return 0; } //******************高斯卷积核生成函数************************* //第一个参数gaus是一个指向含有N个double类型数组的指针； //第二个参数size是高斯卷积核的尺寸大小； //第三个参数sigma是卷积核的标准差 //************************************************************* void GetGaussianKernel(double **gaus, const int size,const double sigma) { const double PI=4.0*atan(1.0); //圆周率π赋值 int center=size/2; double sum=0; for(int i=0;i<size;i++) { for(int j=0;j<size;j++) { gaus[i][j]=(1/(2*PI*sigma*sigma))*exp(-((i-center)*(i-center)+(j-center)*(j-center))/(2*sigma*sigma)); sum+=gaus[i][j]; } } for(int i=0;i<size;i++) { for(int j=0;j<size;j++) { gaus[i][j]/=sum; cout<<gaus[i][j]<<" "; } cout<<endl<<endl; } return ; } //******************灰度转换函数************************* //第一个参数image输入的彩色RGB图像； //第二个参数imageGray是转换后输出的灰度图像； //************************************************************* void ConvertRGB2GRAY(const Mat &image,Mat &imageGray) { if(!image.data||image.channels()!=3) { return ; } imageGray=Mat::zeros(image.size(),CV_8UC1); uchar *pointImage=image.data; uchar *pointImageGray=imageGray.data; int stepImage=image.step; int stepImageGray=imageGray.step; for(int i=0;i<imageGray.rows;i++) { for(int j=0;j<imageGray.cols;j++) { pointImageGray[i*stepImageGray+j]=0.114*pointImage[i*stepImage+3*j]+0.587*pointImage[i*stepImage+3*j+1]+0.299*pointImage[i*stepImage+3*j+2]; } } } //******************高斯滤波************************* //第一个参数imageSource是待滤波原始图像； //第二个参数imageGaussian是滤波后输出图像； //第三个参数gaus是一个指向含有N个double类型数组的指针； //第四个参数size是滤波核的尺寸 //************************************************************* void GaussianFilter(const Mat imageSource,Mat &imageGaussian,double **gaus,int size) { imageGaussian=Mat::zeros(imageSource.size(),CV_8UC1); if(!imageSource.data||imageSource.channels()!=1) { return ; } double gausArray[100]; for(int i=0;i<size*size;i++) { gausArray[i]=0; //赋初值，空间分配 } int array=0; for(int i=0;i<size;i++) { for(int j=0;j<size;j++) { gausArray[array]=gaus[i][j];//二维数组到一维 方便计算 array++; } } //滤波 for(int i=0;i<imageSource.rows;i++) { for(int j=0;j<imageSource.cols;j++) { int k=0; for(int l=-size/2;l<=size/2;l++) { for(int g=-size/2;g<=size/2;g++) { //以下处理针对滤波后图像边界处理，为超出边界的值赋值为边界值 int row=i+l; int col=j+g; row=row<0?0:row; row=row>=imageSource.rows?imageSource.rows-1:row; col=col<0?0:col; col=col>=imageSource.cols?imageSource.cols-1:col; //卷积和 imageGaussian.at<uchar>(i,j)+=gausArray[k]*imageSource.at<uchar>(row,col); k++; } } } } } //******************Sobel算子计算X、Y方向梯度和梯度方向角******************** //第一个参数imageSourc原始灰度图像； //第二个参数imageSobelX是X方向梯度图像； //第三个参数imageSobelY是Y方向梯度图像； //第四个参数pointDrection是梯度方向角数组指针 //************************************************************* void SobelGradDirction(const Mat imageSource,Mat &imageSobelX,Mat &imageSobelY,double *&pointDrection) { pointDrection=new double[(imageSource.rows-1)*(imageSource.cols-1)]; for(int i=0;i<(imageSource.rows-1)*(imageSource.cols-1);i++) { pointDrection[i]=0; } imageSobelX=Mat::zeros(imageSource.size(),CV_32SC1); imageSobelY=Mat::zeros(imageSource.size(),CV_32SC1); uchar *P=imageSource.data; uchar *PX=imageSobelX.data; uchar *PY=imageSobelY.data; int step=imageSource.step; int stepXY=imageSobelX.step; int k=0; int m=0; int n=0; for(int i=1;i<(imageSource.rows-1);i++) { for(int j=1;j<(imageSource.cols-1);j++) { //通过指针遍历图像上每一个像素 double gradY=P[(i-1)*step+j+1]+P[i*step+j+1]*2+P[(i+1)*step+j+1]-P[(i-1)*step+j-1]-P[i*step+j-1]*2-P[(i+1)*step+j-1]; PY[i*stepXY+j*(stepXY/step)]=abs(gradY); double gradX=P[(i+1)*step+j-1]+P[(i+1)*step+j]*2+P[(i+1)*step+j+1]-P[(i-1)*step+j-1]-P[(i-1)*step+j]*2-P[(i-1)*step+j+1]; PX[i*stepXY+j*(stepXY/step)]=abs(gradX); if(gradX==0) { gradX=0.00000000000000001; //防止除数为0异常 } pointDrection[k]=atan(gradY/gradX)*57.3;//弧度转换为度 pointDrection[k]+=90; k++; } } convertScaleAbs(imageSobelX,imageSobelX); convertScaleAbs(imageSobelY,imageSobelY); } //******************计算Sobel的X和Y方向梯度幅值************************* //第一个参数imageGradX是X方向梯度图像； //第二个参数imageGradY是Y方向梯度图像； //第三个参数SobelAmpXY是输出的X、Y方向梯度图像幅值 //************************************************************* void SobelAmplitude(const Mat imageGradX,const Mat imageGradY,Mat &SobelAmpXY) { SobelAmpXY=Mat::zeros(imageGradX.size(),CV_32FC1); for(int i=0;i<SobelAmpXY.rows;i++) { for(int j=0;j<SobelAmpXY.cols;j++) { SobelAmpXY.at<float>(i,j)=sqrt(imageGradX.at<uchar>(i,j)*imageGradX.at<uchar>(i,j)+imageGradY.at<uchar>(i,j)*imageGradY.at<uchar>(i,j)); } } convertScaleAbs(SobelAmpXY,SobelAmpXY); } //******************局部极大值抑制************************* //第一个参数imageInput输入的Sobel梯度图像； //第二个参数imageOutPut是输出的局部极大值抑制图像； //第三个参数pointDrection是图像上每个点的梯度方向数组指针 //************************************************************* void LocalMaxValue(const Mat imageInput,Mat &imageOutput,double *pointDrection) { //imageInput.copyTo(imageOutput); imageOutput=imageInput.clone(); int k=0; for(int i=1;i<imageInput.rows-1;i++) { for(int j=1;j<imageInput.cols-1;j++) { int value00=imageInput.at<uchar>((i-1),j-1); int value01=imageInput.at<uchar>((i-1),j); int value02=imageInput.at<uchar>((i-1),j+1); int value10=imageInput.at<uchar>((i),j-1); int value11=imageInput.at<uchar>((i),j); int value12=imageInput.at<uchar>((i),j+1); int value20=imageInput.at<uchar>((i+1),j-1); int value21=imageInput.at<uchar>((i+1),j); int value22=imageInput.at<uchar>((i+1),j+1); if(pointDrection[k]>0&&pointDrection[k]<=45) { if(value11<=(value12+(value02-value12)*tan(pointDrection[i*imageOutput.rows+j]))||(value11<=(value10+(value20-value10)*tan(pointDrection[i*imageOutput.rows+j])))) { imageOutput.at<uchar>(i,j)=0; } } if(pointDrection[k]>45&&pointDrection[k]<=90) { if(value11<=(value01+(value02-value01)/tan(pointDrection[i*imageOutput.cols+j]))||value11<=(value21+(value20-value21)/tan(pointDrection[i*imageOutput.cols+j]))) { imageOutput.at<uchar>(i,j)=0; } } if(pointDrection[k]>90&&pointDrection[k]<=135) { if(value11<=(value01+(value00-value01)/tan(180-pointDrection[i*imageOutput.cols+j]))||value11<=(value21+(value22-value21)/tan(180-pointDrection[i*imageOutput.cols+j]))) { imageOutput.at<uchar>(i,j)=0; } } if(pointDrection[k]>135&&pointDrection[k]<=180) { if(value11<=(value10+(value00-value10)*tan(180-pointDrection[i*imageOutput.cols+j]))||value11<=(value12+(value22-value11)*tan(180-pointDrection[i*imageOutput.cols+j]))) { imageOutput.at<uchar>(i,j)=0; } } k++; } } } //******************双阈值处理************************* //第一个参数imageInput输入和输出的的Sobel梯度幅值图像； //第二个参数lowThreshold是低阈值 //第三个参数highThreshold是高阈值 //****************************************************** void DoubleThreshold(Mat &imageIput,double lowThreshold,double highThreshold) { for(int i=0;i<imageIput.rows;i++) { for(int j=0;j<imageIput.cols;j++) { if(imageIput.at<uchar>(i,j)>highThreshold) { imageIput.at<uchar>(i,j)=255; } if(imageIput.at<uchar>(i,j)<lowThreshold) { imageIput.at<uchar>(i,j)=0; } } } } //******************双阈值中间像素连接处理********************* //第一个参数imageInput输入和输出的的Sobel梯度幅值图像； //第二个参数lowThreshold是低阈值 //第三个参数highThreshold是高阈值 //************************************************************* void DoubleThresholdLink(Mat &imageInput,double lowThreshold,double highThreshold) { for(int i=1;i<imageInput.rows-1;i++) { for(int j=1;j<imageInput.cols-1;j++) { if(imageInput.at<uchar>(i,j)>lowThreshold&&imageInput.at<uchar>(i,j)<255) { if(imageInput.at<uchar>(i-1,j-1)==255||imageInput.at<uchar>(i-1,j)==255||imageInput.at<uchar>(i-1,j+1)==255|| imageInput.at<uchar>(i,j-1)==255||imageInput.at<uchar>(i,j)==255||imageInput.at<uchar>(i,j+1)==255|| imageInput.at<uchar>(i+1,j-1)==255||imageInput.at<uchar>(i+1,j)==255||imageInput.at<uchar>(i+1,j+1)==255) { imageInput.at<uchar>(i,j)=255; DoubleThresholdLink(imageInput,lowThreshold,highThreshold); //递归调用 } else { imageInput.at<uchar>(i,j)=0; } } } } } 0 0
- canny算法代码实现
- Android实现Canny算法
- Canny算法的Matlab实现(转)
- Canny边缘检测算法的实现
- Canny边缘检测算法的实现
- Canny边缘检测算法的实现
- Canny边缘检测算法的实现
- Canny 边缘检测算法的C实现
- Canny边缘检测算法的实现
- canny算法
- canny算法
- Canny 算法
- 高斯滤波及canny边缘检测代码实现
- 基于OPENCV的CANNY边缘检测算子详细代码实现
- [图像]Canny检测的Matlab实现(含代码)
- [图像]Canny检测的Matlab实现(含代码)
- [图像]Canny检测的Matlab实现(含代码)
- 图像边缘检测(Canny 算法)的Java实现
- 最全面、最易懂的Android屏幕适配解决方案
- EventBus 3.0源码解析
- 八皇后与填数字
- windows 7 Scrapy爬虫安装成功实践记录
- js事件代理
- canny算法代码实现
- Java基础之加解密（三） SHA安全散列算法
- 常用sql语句
- codeforces round 404 div2 D Anton and School
- 归并排序
- 剪刀*石头*布
- Java中的异常处理
- 小教训
- Activity 的启动模式
