opencv 2.4+ c++ 边缘梯度计算
来源:互联网 发布:电脑usb端口怎么打开 编辑:程序博客网 时间:2024/06/10 18:54
图像的边缘
图像的边缘从数学上是如何表示的呢?
图像的边缘上,邻近的像素值应当显著地改变了。而在数学上,导数是表示改变快慢的一种方法。 梯度值的大变预示着图像中内容的显著变化了。
用更加形象的图像来解释,假设我们有一张一维图形。下图中灰度值的“跃升”表示边缘的存在:
使用一阶微分求导我们可以更加清晰的看到边缘“跃升”的存在(这里显示为高峰值):
由此我们可以得出:边缘可以 通过定位梯度值大于邻域的相素的方法找到。
卷积
卷积可以近似地表示求导运算。
那么卷积是什么呢?
卷积是在每一个图像块与某个算子(核)之间进行的运算。
核?!
核就是一个固定大小的数值数组。该数组带有一个锚点 ,一般位于数组中央。
可是这怎么运算啊?
假如你想得到图像的某个特定位置的卷积值,可用下列方法计算:
- 将核的锚点放在该特定位置的像素上,同时,核内的其他值与该像素邻域的各像素重合;
- 将核内各值与相应像素值相乘,并将乘积相加;
- 将所得结果放到与锚点对应的像素上;
- 对图像所有像素重复上述过程。
用公式表示上述过程如下:
在图像边缘的卷积怎么办呢?
计算卷积前,OpenCV通过复制源图像的边界创建虚拟像素,这样边缘的地方也有足够像素计算卷积了。
近似梯度
比如内核为3时。
首先对x方向计算近似导数:
然后对y方向计算近似导数:
然后计算梯度:
当然你也可以写成:
开始求梯度
#include "opencv2/imgproc/imgproc.hpp"#include "opencv2/highgui/highgui.hpp"#include <stdlib.h>#include <stdio.h>using namespace cv;int main( int argc, char** argv ){ Mat src, src_gray; Mat grad; char* window_name = "求解梯度"; int scale = 1; int delta = 0; int ddepth = CV_16S; int c; src = imread( argv[1] ); if( !src.data ){ return -1; } //高斯模糊 GaussianBlur( src, src, Size(3,3), 0, 0, BORDER_DEFAULT ); //转成灰度图 cvtColor( src, src_gray, CV_RGB2GRAY ); namedWindow( window_name, CV_WINDOW_AUTOSIZE ); Mat grad_x, grad_y; Mat abs_grad_x, abs_grad_y; Sobel( src_gray, grad_x, ddepth, 1, 0, 3, scale, delta, BORDER_DEFAULT ); convertScaleAbs( grad_x, abs_grad_x ); Sobel( src_gray, grad_y, ddepth, 0, 1, 3, scale, delta, BORDER_DEFAULT ); convertScaleAbs( grad_y, abs_grad_y ); addWeighted( abs_grad_x, 0.5, abs_grad_y, 0.5, 0, grad ); imshow( window_name, grad ); waitKey(0); return 0;}
Sobel函数
索贝尔算子( Sobel operator )计算。
- C++: 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 )
参数
- src – 输入图像。
- dst – 输出图像,与输入图像同样大小,拥有同样个数的通道。
- ddepth –
- 输出图片深度;下面是输入图像支持深度和输出图像支持深度的关系:
- src.depth() = CV_8U , ddepth = -1/ CV_16S / CV_32F / CV_64F
- src.depth() = CV_16U / CV_16S , ddepth = -1/ CV_32F / CV_64F
- src.depth() = CV_32F , ddepth = -1/ CV_32F / CV_64F
- src.depth() = CV_64F , ddepth = -1/ CV_64F
当 ddepth为-1时, 输出图像将和输入图像有相同的深度。输入8位图像则会截取顶端的导数。
- xorder – x方向导数运算参数。
- yorder – y方向导数运算参数。
- ksize – Sobel内核的大小,可以是:1,3,5,7。
- scale – 可选的缩放导数的比例常数。
- delta – 可选的增量常数被叠加到导数中。
- borderType – 用于判断图像边界的模式。
代码注释:
//在x方向求图像近似导数Sobel( src_gray, grad_x, ddepth, 1, 0, 3, scale, delta, BORDER_DEFAULT );//在y方向求图像近似导数Sobel( src_gray, grad_y, ddepth, 0, 1, 3, scale, delta, BORDER_DEFAULT );
如果我们打印上面两个输出矩阵,可以看到grad_x和grad_y中的元素有正有负。
当然,正方向递增就是正的,正方向递减则是负值。
这很重要,我们可以用来判断梯度方向。
convertScaleAbs函数
线性变换转换输入数组元素成8位无符号整型。
- C++: void convertScaleAbs ( InputArray src , OutputArray dst , double alpha =1, double beta =0 )
参数
- src – 输入数组。
- dst – 输出数组。
- alpha – 可选缩放比例常数。
- beta – 可选叠加到结果的常数。
对于每个输入数组的元素函数 convertScaleAbs 进行三次操作依次是:缩放,得到一个绝对值,转换成无符号8位类型。
对于多通道矩阵,该函数对各通道独立处理。如果输出不是8位,将调用 Mat::convertTo 方法并计算结果的绝对值,例如:
Mat_<float> A(30,30);randu(A, Scalar(-100), Scalar(100));Mat_<float> B = A*5 + 3;B = abs(B);
为了能够用图像显示,提供一个直观的图形,我们利用该方法,将-256 — 255的导数值,转成0 — 255的无符号8位类型。
addWeighted函数
计算两个矩阵的加权和。
- C++: void addWeighted ( InputArray src1 , double alpha , InputArray src2 , double beta , double gamma , OutputArray dst , int dtype =-1 )
参数
- src1 – 第一个输入数组。
- alpha – 第一个数组的加权系数。
- src2 – 第二个输入数组,必须和第一个数组拥有相同的大小和通道。
- beta – 第二个数组的加权系数。
- dst – 输出数组,和第一个数组 拥有相同的大小和通道。
- gamma – 对所有和的叠加的常量。
- dtype – 输出数组中的可选的深度,当两个数组具有相同的深度,此系数可设为-1,意义等同于选择与第一个数组相同的深度。
函数 addWeighted 两个数组的加权和公式如下:
在多通道情况下,每个通道是独立处理的,该函数可以被替换成一个函数表达式:
dst = src1 * alpha + src2 * beta + gamma ;
利用convertScaleAbs和 addWeighted,我们可以对梯度进行一个可以用图像显示的近似表达。
这样我们就可以得到下面的效果:
梯度方向
但有时候边界还不够,我们希望得到图片色块之间的关系,或者研究样本的梯度特征来对机器训练识别物体时候,我们还需要梯度的方向。
二维平面的梯度定义为:
这很好理解,其表明颜色增长的方向与x轴的夹角。
但Sobel算子对于沿x轴和y轴的排列表示的较好,但是对于其他角度表示却不够精确。这时候我们可以使用Scharr滤波器。
Scharr滤波器的内核为:
这样能提供更好的角度信息,现在我们修改原程序,改为使用Scharr滤波器进行计算:
#include "opencv2/imgproc/imgproc.hpp"#include "opencv2/highgui/highgui.hpp"#include <stdlib.h>#include <stdio.h>using namespace cv;int main( int argc, char** argv ){ Mat src, src_gray; Mat grad; char* window_name = "梯度计算"; int scale = 1; int delta = 0; int ddepth = CV_16S; int c; src = imread( argv[1] ); if( !src.data ){ return -1; } GaussianBlur( src, src, Size(3,3), 0, 0, BORDER_DEFAULT ); cvtColor( src, src_gray, CV_RGB2GRAY ); namedWindow( window_name, CV_WINDOW_AUTOSIZE ); Mat grad_x, grad_y; Mat abs_grad_x, abs_grad_y; //改为Scharr滤波器计算x轴导数 Scharr( src_gray, grad_x, ddepth, 1, 0, scale, delta, BORDER_DEFAULT ); convertScaleAbs( grad_x, abs_grad_x ); //改为Scharr滤波器计算y轴导数 Scharr( src_gray, grad_y, ddepth, 0, 1, scale, delta, BORDER_DEFAULT ); convertScaleAbs( grad_y, abs_grad_y ); addWeighted( abs_grad_x, 0.5, abs_grad_y, 0.5, 0, grad ); imshow( window_name, grad ); waitKey(0); return 0;}
Scharr函数接受参数与Sobel函数相似,这里就不叙述了。
下面我们通过divide函数就能得到一个x/y的矩阵。
对两个输入数组的每个元素执行除操作。
- C++: void divide ( InputArray src1 , InputArray src2 , OutputArray dst , double scale=1, int dtype =-1 )
- C++: void divide ( double scale , InputArray src2 , OutputArray dst , int dtype =-1 )
参数
- src1 – 第一个输入数组。
- src2 – 第二个输入数组,必须和第一个数组拥有相同的大小和通道。
- scale – 缩放系数。
- dst – 输出数组,和第二个数组拥有相同的大小和通道。
- dtype – 输出数组中的可选的深度,当两个数组具有相同的深度,此系数可设为-1,意义等同于选择与第一个数组相同的深度。
该函数对两个数组进行除法:
或则只是缩放系数除以一个数组:
这种情况如果src2是0,那么dst也是0。不同的通道是独立处理的。
被山寨的原文
Sobel Derivatives . OpenCV.org
Image Filtering . OpenCV.org
- OpenCV 2.4+ C++ 边缘梯度计算
- OpenCV 2.4+ C++ 边缘梯度计算
- opencv 2.4+ c++ 边缘梯度计算
- 【OpenCV】边缘检测、梯度计算 Sobel Mat
- opencv(十三)--边缘检测和梯度
- 【C#】图像梯度计算
- opencv图像处理梯度边缘和角点
- Python+OpenCV学习(4)---图像梯度及边缘检测
- 【OpenCV】边缘检测:梯度,sobel算子的理解
- 【OpenCV】边缘检测:梯度,sobel算子的理解
- OpenCV-Python—图像梯度和Canny边缘检测
- // OpenCV 计算图像的平均梯度
- OpenCV与梯度计算相关的函数
- C/C++ OpenCV之Canny边缘检测
- C/C++ OpenCV之Sobel边缘检测
- C/C++ OpenCV之Laplacian边缘检测
- C/C++ OpenCV之Scharr边缘检测
- Opencv中计算梯度、梯度幅值以及梯度方向的相关函数
- Rpackage【ggplot2】
- mysql如果数据不存在,则插入新数据,否则更新的实现方法
- (对象类作为参数的方法)
- Java Web 服务器的消息推送 几种方案
- 异步IO、协程、yield from
- opencv 2.4+ c++ 边缘梯度计算
- 多线程
- pygame导入音频
- linux系统之iscsi存储服务
- Yarn产生的历史背景
- python学习—Day41—多进程锁与多进程共享内存
- Codeforces Round #445 Div1 C:Maximum Element (组合数学+DP)
- 采用原生JSP实现页面静态化技术
- juicer 管道符