简介采用Visual Studio与OpenCV实现的一套计算机视觉实验资源围绕Susan算子边缘检测和米粒计数任务覆盖中值滤波、直方图显示、阈值分割、形态学处理等关键环节适合正在学习OpenCV的开发者及高校学生作为课程设计或综合实验参考。资源包共40个文件压缩后仅1.6MB内含完整Visual Studio工程源码与项目配置、可执行程序及多张测试图像同时保留灰度图、二值图、Susan轮廓图等中间处理结果方便对照算法流程逐段验证。代码实现采用大津法与经验阈值分割进行米粒二值化并完成Susan边缘检测、米粒计数和最大米粒选取各步骤均可独立查看输出图像有助于深入理解图像处理基础概念与OpenCV实际用法。已有1710人浏览学习可作为图像处理入门后的综合实践参考。 做数字图像处理实验时我给自己挑了个“又老又实用”的题目在Visual Studio环境下用OpenCV实现Susan算子边缘检测并顺手用检测结果去数一碗米粒。为什么要挑这个组合因为Canny、Prewitt这些算子的教程早被写烂了照着调API人人都会而Susan算子的中文资料相对少但它在检测颗粒状物体边缘时的稳定性比我预想中好用不少。这篇文章会把整个实验过程、核心代码、参数调试和踩过的坑都摊开讲从Visual Studio环境配置到最终数出米粒数量的完整链路都会覆盖适合正在做图像处理课程设计或者想深入了解Susan算子的同学参考。1. 实验课题的选择逻辑从Canny、Prewitt到Susan算子的取舍1.1 为什么热门算子在这个场景下反而不顺手米粒图像有个特点目标物体多、体积小、边缘密集而且米粒表面有半透明的纹理和反光。用Canny边缘检测跑一遍结果往往是一堆细碎的短边缘——米粒轮廓虽然出来了但内部纹理也被当成边缘提取后面的连通域统计很容易被干扰。Prewitt的问题更直接它本质是用小模板做梯度近似对噪声非常敏感拍摄时稍有光照不均输出边缘就会出现大量毛刺。Susan算子走的是另一条路。它不计算梯度而是用一个圆形模板在图像上滑动比较模板中心像素和周围像素的灰度差异统计“与中心像素相似”的像素数量再根据这个数量判断当前像素是否属于边缘。这个思路天然就有抑制噪声的能力因为单点噪声只会改变模板内少数几个像素的相似性不足以让USAN区域面积发生突变。1.2 Susan算子在颗粒物图像上的优势米粒这种颗粒状物体边缘相对连续、闭合对比度适中正是Susan算子的舒适区。它检测出来的边缘是单像素宽、位置准确而且对角点区域也有响应这为后面数米粒提供了干净的轮廓基础。实验做到后期我还发现Susan算子的灰度差阈值t即使调得不那么精确边缘检测结果也不会像Canny那样剧烈劣化这对做实验的人来说非常友好。这个实验的核心链路是原始米粒图像 → 灰度化 → Susan边缘检测 → 二值化与形态学闭合 → 连通域计数。每个环节都可以独立调试这也是我推荐大家复现这个项目的原因——它把“边缘检测算法”和“图像处理应用”两个知识点串在了一起做完一遍对图像处理的理解会深很多。2. Visual Studio与OpenCV环境配置的实操记录2.1 版本选择与安装顺序实验我用的组合是Visual Studio 2019社区版加OpenCV 4.5.5。Visual Studio的安装没什么悬念官网下载社区版工作负载勾选“使用C的桌面开发”这个组件包含了编译器、调试器和Windows SDK足够应付OpenCV开发。OpenCV则直接去官网下载Windows版本解压后得到一个opencv文件夹里面包含build目录所有需要的头文件、静态库和动态库都在这里。有一个细节值得注意OpenCV官网下载的Windows包自带的是适用于VS 2019/2022的预编译库如果你用的VS版本太老比如2015或更早库文件可能对不上运行时会出现一堆无法解析的外部符号。所以我的建议是VS 2019或2022配OpenCV 4.x这是目前最省心的组合。2.2 配置过程中最容易被忽略的四个环节第一环境变量。把opencv\build\x64\vc15\bin或vc16目录加到系统PATH里否则程序运行时会报“找不到opencv_world455.dll”。第二项目属性配置。在VS的“属性管理器”里VC目录→包含目录加入opencv\build\include库目录加入opencv\build\x64\vc16\lib。第三链接器输入。在“链接器→输入→附加依赖项”里手动填入opencv_world455d.libDebug模式注意Release模式要换成不带d的opencv_world455.lib。第四也是最容易踩的坑解决方案平台的位数必须和库文件位数一致。我用的是x64平台如果默认的Win32平台不改成x64编译时头文件能过链接阶段全都报错。Debug和Release模式的附加依赖项必须区分开来Debug写opencv_world455d.libRelease写opencv_world455.lib。这两个文件名只差一个字母d写错了链接阶段一定会报错。配置完成后建议先用一段极简代码验证环境#include opencv2/opencv.hpp #include iostream int main() { cv::Mat img cv::Mat::zeros(200, 200, CV_8UC1); std::cout OpenCV version: CV_VERSION std::endl; return 0; }能正常输出版本号说明环境已经通了。这一步我建议不要跳过我见过太多同学一上来就跑完整实验最后分不清是环境问题还是代码问题。3. SUSAN算子原理拆解与C代码实现3.1 圆形模板、USAN区域与边缘响应SUSAN的全称是Smallest Univalue Segment Assimilating Nucleus直译是“最小同值分割吸收核”。理解它不需要看论文原文核心就三步第一步确定一个圆形模板实验中用半径约3像素的近似圆共37个点让模板中心对准当前像素这个中心叫核。第二步用灰度差阈值t衡量模板内其他像素与核像素是否“相似”相似像素的集合就叫USAN区域。第三步计算USAN区域面积n当n小于几何阈值g时说明当前像素所处位置的局部结构变化明显判定为边缘点或角点。边缘响应的计算公式可以写成如果|I(r) - I(r0)| ≤ t则c(r, r0) 1否则为0n(r0) Σc(r, r0)R(r0) g - n(r0)当n g时其中g通常取模板总点数nmax的3/4。37点模板对应的g大约在27左右。g取得越大检测到的边缘点越多同时也更容易把噪声点当成边缘。3.2 核心代码实现模板我直接用二维数组定义37个有效点其余位置为0。遍历图像时跳过边界避免模板越界。初始的灰度差阈值t取25几何阈值g取27这两个参数在后面调试中会调整。#include opencv2/opencv.hpp #include iostream using namespace std; using namespace cv; static const int mask[7][7] { {0, 0, 1, 1, 1, 0, 0}, {0, 1, 1, 1, 1, 1, 0}, {1, 1, 1, 1, 1, 1, 1}, {1, 1, 1, 1, 1, 1, 1}, {1, 1, 1, 1, 1, 1, 1}, {0, 1, 1, 1, 1, 1, 0}, {0, 0, 1, 1, 1, 0, 0} }; Mat susanEdgeDetect(const Mat src, int t, int g) { Mat result Mat::zeros(src.size(), CV_8UC1); for (int i 3; i src.rows - 3; i) { for (int j 3; j src.cols - 3; j) { int nucleus src.atuchar(i, j); int usan 0; for (int m -3; m 3; m) { for (int n -3; n 3; n) { if (mask[m 3][n 3] 0) continue; int diff abs(src.atuchar(i m, j n) - nucleus); if (diff t) usan; } } if (usan g) { result.atuchar(i, j) saturate_castuchar(g - usan); } } } return result; } int main() { Mat img imread(rice.jpg, IMREAD_GRAYSCALE); if (img.empty()) { cout Image not found endl; return -1; } Mat edge susanEdgeDetect(img, 25, 27); imwrite(susan_edge.jpg, edge); return 0; }这段代码没有用OpenCV的高阶函数模板遍历全是基础指针操作性能不算最优但胜在直观。跑一遍测试图输出的susan_edge.jpg应该是白色边缘、黑色背景的单像素宽二值图。3.3 参数t和g应该怎么选灰度差阈值t决定哪些像素被计入USAN区域。t越小判定相似的条件越苛刻边缘越细但对噪声越敏感t越大边缘越粗甚至会把背景中的灰度波动也算进去。对米粒这种中等对比度图像t在20到30之间比较合适。几何阈值g则控制边缘响应的敏感度g越接近nmax检测出的候选点越多但误检也会增多。我调试时的经验是先固定g27从t15开始逐步加大观察边缘断裂和多检情况然后再固定t25微调g。这个双参数调优过程花不了多少时间因为SUSAN对参数不像Canny的双阈值那么敏感。4. 米粒图像的边缘检测实测与参数对比4.1 图像预处理拿到一张真正能跑的图我用的测试图像是白背景上散落的几十粒大米用手机拍的分辨率大概1200x800。原始照片先做灰度化再用高斯滤波或中值滤波做一次去噪。为什么不用原图直接跑SUSAN因为手机拍摄必然有传感器噪声和压缩伪影虽然SUSAN对噪声有一定抗性但预处理做干净一点后续形态学操作会省很多事。中值滤波在这类颗粒物图像上表现不错它能去掉孤立椒盐噪声而不模糊边缘。我选的核大小是3x3再大一点会把米粒表层纹理磨平导致边缘变钝。高斯滤波和SUSAN配合也OK但如果核太大边缘位置会偏移一到两个像素对精确数米粒会有微小影响。4.2 不同阈值下的边缘效果t20和t30我都跑过。t20时米粒边缘轮廓清晰但有几粒边缘存在细微断裂背景噪声点很少t30时边缘断点几乎消失但米粒内部花纹也产生了少量响应。综合来看为了让后续形态学闭合更顺利我决定用t25这样边缘完整度优先后面用一次闭运算就能把残余断点解决。如果把SUSAN和Canny放在同一张米粒图上对比差异非常直观。Canny输出的边缘太细碎米粒内部纹理大量响应外轮廓反而被分割成很多段而SUSAN输出的边缘集中在米粒与背景的交界区域内部纹理响应很少。这里面的原因是SUSAN通过局部区域面积来判断边缘对灰度连续变化的区域天然不敏感而Canny用的是梯度幅值和方向信息对任何灰度变化都会响应。4.3 边缘检测结果对后续计数的影响这一步直接决定了后面数米粒的难度。边缘图如果断裂太多形态学闭运算需要更大的核才能把轮廓闭合而核太大会把相邻米粒的边缘糊在一起导致计数严重偏低。反之边缘图如果噪声太多闭运算后背景会出现假轮廓又会导致计数偏高。所以边缘检测阶段的核心目标就一句话保住轮廓连续性同时压低噪声响应。5. 数米粒实现从边缘图到连通域计数5.1 形态学闭合把边缘圈成实心区域SUSAN输出的边缘线是像素宽的单线米粒内部是空的不能直接做连通域计数。需要用闭运算先膨胀后腐蚀把这些断开的边缘线连接起来并填充内部空洞让每粒米变成一个白色的实心连通区域。闭运算的核大小需要斟酌。我用的是椭圆核尺寸从3x3开始试。核太小边缘断点补不上核太大米粒间隙被连上粘连问题就出现了。米粒图像一般边缘断点数不超过5像素用7x7或9x9的椭圆核闭运算基本能把大多数米粒完整闭合。5.2 findContours统计轮廓数量OpenCV里最直接的计数方式是先用threshold把边缘图转成二值图再调用findContours提取轮廓。OpenCV 4.x的findContours签名为void findContours(InputArray image, OutputArray contours, OutputArray hierarchy, int mode, int method)和OpenCV 3.2以前的写法有差异返回参数数量变了。我用的模式是RETR_EXTERNAL只提取最外层轮廓。这个方法只统计米粒的外边界内部空洞不会产生额外轮廓。具体实现Mat binary; threshold(edge, binary, 0, 255, THRESH_BINARY); Mat kernel getStructuringElement(MORPH_ELLIPSE, Size(9, 9)); morphologyEx(binary, binary, MORPH_CLOSE, kernel); vectorvectorPoint contours; vectorVec4i hierarchy; findContours(binary, contours, hierarchy, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE); int riceCount 0; double minArea 500; // 根据图像分辨率调整 for (size_t i 0; i contours.size(); i) { double area contourArea(contours[i]); if (area minArea) { riceCount; } } cout rice count: riceCount endl;面积过滤非常关键。因为闭运算和噪声可能产生少量小面积的假区域设置一个minArea阈值能把这些干扰剔除。minArea的值需要根据图像中的米粒像素面积估算——通常一粒米在图像中占几百到几千像素取它的一半左右作为过滤阈值比较合适。我这批图像米粒面积大约在1200像素左右minArea设为500效果很好。5.3 计数结果与验证最终程序输出的米粒数量和手工数的结果一致。三次实验一次是铺开的36粒一次是稍微重叠的52粒还有一次是故意放了几粒碎米粒的44粒。前两次计数全部正确第三次因为碎米粒面积太小被minArea过滤掉了属于预期行为。我把每粒米的轮廓用drawContours画在原图上逐个编号这样能直观看到每一个被统计的轮廓是否对应真实的米粒。这一步强烈建议做因为它能立刻暴露出粘连、漏检、误检三类问题比盯着计数数字猜原因高效得多。6. 实验中遇到的三个典型问题与排查过程6.1 边缘断裂导致轮廓无法闭合第一次跑完整流程时边缘检测结果中米粒轮廓存在不少断点闭运算用9x9的核也没能完全闭合计数结果比实际少了五六粒。排查路径是先回看SUSAN边缘图确认断点位置然后把t从25调到30发现断点减少但背景噪声增多最后用了中值滤波3x3预处理再把闭运算核从7x7调到9x9问题解决了。这里有个值得记录的教训不要一上来就调大闭运算核。核过大时米粒间隙会被连带填充计数会少得离谱。正确的顺序是先保证边缘检测质量再用尽可能小的形态学核修补残余断点。6.2 光源不均匀导致同一幅图里明暗差异过大手机拍摄时窗外光线造成了局部反光图像左侧米粒亮右侧米粒暗。SUSAN用全局灰度差阈值t判断相似性对这种情况会顾此失彼t太小暗区边缘检不出来t太大亮区米粒内部纹理被误判为边缘。解决方法是换了一个均匀光源重新拍照或者先做直方图均衡化再送入SUSAN。直方图均衡化能显著改善光照不均但也会放大部分噪声。比较稳的做法是先高斯滤波去噪再做直方图均衡化最后进SUSAN。这个预处理顺序对最终效果影响不小建议多做几组对比实验找到适合自己图像的最佳流程。6.3 OpenCV版本差异导致的编译错误老资料里经常出现findContours(binary, contours, hierarchy, CV_RETR_EXTERNAL, CV_CHAIN_APPROX_SIMPLE)这种写法在OpenCV 4.x下编译直接报错因为CV_RETR_EXTERNAL被重命名为RETR_EXTERNAL同时函数签名从三参数变成了四参数。我在这上面花了十分钟翻到官方文档才确认新版API的正确用法。另外MAT_...系列常量在不同版本也有变化建议直接以当前安装版本的官方文档为准别照抄旧博客。6.4 粘连米粒的计数误差重叠在一起的米粒在二值图上会连成一个连通域count会少算。要处理这种情况有两条路一是从图像采集端下手把米粒尽量铺开这是最省力的方案二是在算法端用分水岭分割粘连区域但实现复杂度和参数调整成本都会直线上升。我的实验里以第一种方式为主强调实验过程中第一个人工铺米粒的步骤也属于“图像处理实验”的一部分。分水岭分割的思路是对二值图像做距离变换找到每个米粒的局部极大值作为种子点再执行分水岭算法。这条路对参数比较敏感米粒形态稍微不标准就会过度分割。如果只是课程实验我建议优先做好采集端控制把精力集中在SUSAN算子的原理验证上。7. 实验中沉淀下来的几点个人经验整个过程做下来我最大的体会是SUSAN算子虽然没有Canny那么高的知名度但在颗粒状目标检测这种场景下是真的能打。它把边缘检测问题从“梯度计算阈值处理”变成了“局部区域统计分析”思路简单实现也不复杂用纯C加OpenCV几十行就能跑通。如果你也想复现这个实验我建议按这样的顺序推进第一环境配置验证用空窗口程序跑通OpenCV第二把SUSAN算子在几张标准测试图比如Lenna、棋盘格上测试确认算法实现没有逻辑问题第三再上米粒图调t和g参数第四引入形态学操作做连通域计数逐步加上面积过滤。每一步都有独立的可视化输出出问题能立刻缩小排查范围。最后再分享一个小技巧我在调试时写了一个简单的滑动条窗口用createTrackbar把t和g两个参数做成可实时调节的控件。这样一来边缘检测的效果调整从改代码重新编译变成了拖动滑条看效果调试效率提升非常明显。这种方法本质上就是用最少的时间成本找到参数甜点区后续做其他算法实验也能复用。本文还有配套的精品资源点击获取