福州网站设计培训,wordpress禁用xmlrpc,行业网站名称,怎么做一个app的介绍目录
1.边缘检测原理
2.Sobel算子边缘检测
3.Scharr算子边缘检测
4.两种算子的生成getDerivKernels() 1.边缘检测原理 其原理是基于图像中灰度值的变化来捕捉图像中的边界和轮廓。梯度则表示了图像中像素强度变化的强弱和方向。 所以沿梯度方向找到有最大梯度值的像素…目录
1.边缘检测原理
2.Sobel算子边缘检测
3.Scharr算子边缘检测
4.两种算子的生成getDerivKernels() 1.边缘检测原理 其原理是基于图像中灰度值的变化来捕捉图像中的边界和轮廓。梯度则表示了图像中像素强度变化的强弱和方向。 所以沿梯度方向找到有最大梯度值的像素就可以获得图像中的边缘信息。 2.Sobel算子边缘检测
原理 Sobel算子是一种常用的边缘检测算子它可以通过计算图像的梯度来捕捉图像中的边缘信息。它分别计算图像在x和y方向上的导数然后根据导数的值确定边缘的位置和强度。 具体来说Sobel算子可以通过一个3x3的卷积核在图像上进行卷积操作。有两个Sobel卷积核一个用于水平方向x方向的边缘检测另一个用于垂直方向y方向的边缘检测。这两个卷积核分别如下 对于输入图像中的每个像素Sobel算子将使用这些卷积核计算其水平和垂直方向上的梯度。然后通过对梯度的幅度进行合并可以计算出每个像素的总梯度大小。总梯度大小表示像素点周围灰度值的变化强度较大的变化强度通常对应于图像中的边缘。
函数
cv::Sobel()函数将Sobel算子应用于输入图像进行卷积操作。
函数的原型如下 CV_EXPORTS_W 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 ); 下面是参数的详细解释 src输入图像可以是单通道灰度图像或多通道图像。 dst输出图像与输入图像具有相同的尺寸和类型。 ddepth输出图像的数据类型它可以是负值如-1表示与输入图像保持一致也可以是CV_8U、CV_16U、CV_32F等值表示输出图像的深度。 dx和dy分别表示在x和y方向上的导数阶数。可选值为0、1和2。 ksizeSobel内核的大小必须为1、3、5或7。值越大滤波器的响应越平缓。 scale可选的缩放因子用于调整输出图像的值域范围。默认为1。 delta可选的指定delta值用于调整输出图像的亮度。默认为0。 borderType可选的边界扩充方法用于处理邻域超出图像边界的情况。默认为cv::BORDER_DEFAULT。 示例代码
void Sobel_f(Mat image){Mat gray;cvtColor(image,gray,COLOR_BGR2GRAY);Mat resultX,resultY,resultXY;//X方向一阶边缘Sobel(gray,resultX,CV_16S,1,0,1);convertScaleAbs(resultX,resultX);//Y方向一阶边缘Sobel(gray,resultY,CV_16S,0,1,3);convertScaleAbs(resultY,resultY);//整幅图像的一阶边缘resultXYresultXresultY;//显示图像imwrite(/sdcard/DCIM/resultX.png,resultX);imwrite(/sdcard/DCIM/resultY.png,resultY);imwrite(/sdcard/DCIM/resultXY.png,resultXY);} X方向 Y方向) ( XY方向)
3.Scharr算子边缘检测
原理 Scharr算子是一种边缘检测算子它是Sobel算子的改进版本。Scharr算子采用了更加精确的权重分配可以提供更好的边缘检测性能。 Scharr算子也是通过卷积操作来计算图像的梯度类似于Sobel算子。它包含两个卷积核一个用于水平方向x方向的边缘检测另一个用于垂直方向y方向的边缘检测。 Scharr算子的差异在于卷积核中的权重分配相对于Sobel算子更加平衡以提高对边缘信号的敏感度。这种平衡权重的分配可以产生更加准确的梯度估计。 Scharr算子使用相同的原理来计算像素点周围的梯度大小和方向。通过在x和y方向上对梯度进行计算并根据梯度的幅度和方向确定边缘的位置和强度。
函数
cv::Scharr()函数是OpenCV中的一个函数用于计算图像的Scharr导数。它类似于Sobel算子但是使用了更准确的权重分配。
函数原型 CV_EXPORTS_W void Scharr( InputArray src, OutputArray dst, int ddepth, int dx, int dy, double scale 1, double delta 0, int borderType BORDER_DEFAULT ); 下面是参数的详细解释 src输入图像可以是单通道灰度图像或多通道图像。 dst输出图像与输入图像具有相同的尺寸和类型。 ddepth输出图像的数据类型可以是负值如-1表示与输入图像保持一致也可以是CV_8U、CV_16U、CV_32F等值表示输出图像的深度。 dx和dy分别表示在x和y方向上的导数阶数。可选值为0、1和2。 scale可选的缩放因子用于调整输出图像的值域范围。默认为1。 delta可选的指定delta值用于调整输出图像的亮度。默认为0。 borderType可选的边界扩充方法用于处理邻域超出图像边界的情况。默认为cv::BORDER_DEFAULT。
示例代码 void Scharr_f(Mat img) {Mat image;cvtColor(img,image,COLOR_BGR2GRAY);cv::Mat grad_x, grad_y; // 存放Scharr滤波器的梯度cv::Mat abs_grad_x, abs_grad_y; // 存放梯度的绝对值// 计算X方向的Scharr滤波器cv::Scharr(image, grad_x, CV_16S, 1, 0);cv::convertScaleAbs(grad_x, abs_grad_x);// 计算Y方向的Scharr滤波器cv::Scharr(image, grad_y, CV_16S, 0, 1);cv::convertScaleAbs(grad_y, abs_grad_y);// 合并X和Y方向的梯度cv::Mat grad;cv::addWeighted(abs_grad_x, 0.5, abs_grad_y, 0.5, 0, grad);// 显示结果imwrite(/sdcard/DCIM/grad.png,grad);
}结果 grad
4.两种算子的生成getDerivKernels()
getDerivKernels()函数是OpenCV中用于生成一维卷积核的函数可用于计算图像的一阶导数。
函数的原型如下 void cv::getDerivKernels ( OutputArray kx OutputArray ky, int dx, int dy, int ksize, bool normalize false, int ktype CV_32F ) kx:行滤波器系数的输出矩阵尺寸为ksize*1ky:列滤波器系数的输出矩阵尺寸为ksize*1。dx:X方向导数的阶次。dy:Y方向导数的阶次ksize:滤波器的大小可以选择的参数为FILTER SCHARR1.35或7。normalize: 是否对滤波器系数进行归一化的标志默认值为false表示不进行系数归一化。ktype:滤波器系数类型可以选择CV 32F或CV 64F默认参数为CV 32F。
示例代码
以下是一个使用使用getDerivKernels()函数来生成Sobel和Scharr算子卷积核的示例
//生成边缘检测器
void f(){cv::Mat sobel_xl, sobel_yl; // 存放分离的Sobel算子cv::Mat scharr_x, scharr_y; // 存放分离的Scharr算子cv::Mat sobelXl, scharrX; // 存放最终算子// 一阶X方向Sobel算子cv::getDerivKernels(sobel_xl, sobel_yl, 1, 0, 3);sobel_xl sobel_xl.reshape(1, 1); // 转换为单行矩阵sobelXl sobel_yl * sobel_xl; // 计算滤波器// X方向Scharr算子cv::getDerivKernels(scharr_x, scharr_y, 1, 0, cv::FILTER_SCHARR);scharr_x scharr_x.reshape(1, 1); // 转换为单行矩阵scharrX scharr_y*scharr_x; // 计算滤波器ostringstream ss;// 打印生成的卷积核ss Sobel X方向卷积核 sobelXl endl;ss Scharr X方向卷积核 scharrX endl;LOGD(%s,ss.str().c_str());
}
我们使用getDerivKernels()函数生成了X方向Sobel算子和X方向Scharr算子的卷积核。然后我们将其转换为单行矩阵并通过乘法运算计算得到滤波器。
