900字范文 > Opencv(C++)笔记--Sobel算子和laplacian算子

Opencv(C++)笔记--Sobel算子和laplacian算子

时间：2019-08-06 19:19:04

1--Sobel算子

1-1--原理

1-2--Opencv API

1-3--代码实例

1-4--Scharr算子

1-5--扩展操作

2--laplacian算子

2-1--原理

2-2--Opencv API

2-3--代码实例提取边缘

补充：

第 1 节的部分代码博主忘了将源图像转换为灰度图进行处理，需要手动添加以下代码：

cv::cvtColor(src, src, cv::COLOR_BGR2GRAY);

1--Sobel算子

1-1--原理

Sobel算子的构成如下图所示：

基于 Sobel 算子可以实现对图像的边缘检测，Gx常用于提取纵向边缘，Gy则常用于提取横向边缘；

1-2--Opencv API

在 ddeth 参数上，使用 cv::CV_16S 处理 8 位原图像，因为经过 Sobel 算子处理，像素值会发生溢出：

1-3--代码实例

#include <opencv2/opencv.hpp># include<cstdio>int main(int argc, char** argv){cv::Mat src;src = cv::imread("C:/Users/Liujinfu/Desktop/opencv_bilibili/test1.jpg");if (src.empty()){printf("could not load image..\n");return -1;}cv::imshow("input", src);cv::Mat dst1, dst2;cv::Sobel(src, dst1, 3, 1, 0, 3); // 使用Gxcv::Sobel(src, dst2, 3, 0, 1, 3); // 使用Gycv::convertScaleAbs(dst1, dst1);cv::convertScaleAbs(dst2, dst2);cv::imshow("dst1", dst1);cv::imshow("dst2", dst2);cv::waitKey(0);return 0;}

由上图结果可知，Gx能够较好地检测纵向边缘，而Gy能够较好地检测横向边缘；

上面的代码用到了cv::convertScaleAbs()函数，其作用是将任意类型的数据转化为CV_8U；具体数据处理方法如下：

① 对于 src * alpha + beta 的结果，如果是负值且大于 -255，则取绝对值；

② 对于 src * alpha + beta 的结果，如果大于 255，则取 255；

③ 对于 src * alpha + beta 的结果，如果是负值且小于 -255，则取 255；

④ 对于 src * alpha + beta 的结果，如果在 0 - 255 之间，则保持不变；

1-4--Scharr算子

OpenCV 提供了一个类似 Sobel 算子的函数，即 cv::Scharr()，其 API 如下：

cv::Scharr() 对应的 Scharr 算子如下图所示：

代码测试：

#include <opencv2/opencv.hpp># include<cstdio>int main(int argc, char** argv){cv::Mat src;src = cv::imread("C:/Users/Liujinfu/Desktop/opencv_bilibili/test1.jpg");if (src.empty()){printf("could not load image..\n");return -1;}cv::imshow("input", src);cv::Mat dst1, dst2;cv::Scharr(src, dst1, 3, 1, 0, 3); // 使用Gxcv::Scharr(src, dst2, 3, 0, 1, 3); // 使用Gycv::convertScaleAbs(dst1, dst1);cv::convertScaleAbs(dst2, dst2);cv::imshow("dst1", dst1);cv::imshow("dst2", dst2);cv::waitKey(0);return 0;}

1-5--扩展操作

① 将 Gx 和 Gy 的结果进行融合

#include <opencv2/opencv.hpp># include<cstdio>int main(int argc, char** argv){cv::Mat src;src = cv::imread("C:/Users/Liujinfu/Desktop/opencv_bilibili/test1.jpg");if (src.empty()){printf("could not load image..\n");return -1;}cv::imshow("input", src);cv::Mat dst1, dst2;cv::Sobel(src, dst1, 3, 1, 0, 3); // 使用Gxcv::Sobel(src, dst2, 3, 0, 1, 3); // 使用Gycv::convertScaleAbs(dst1, dst1);cv::convertScaleAbs(dst2, dst2);cv::imshow("dst1", dst1);cv::imshow("dst2", dst2);cv::Mat dst3 = cv::Mat(dst1.size(), dst1.type()); // 初始化图像// // 遍历像素值，融合两幅图像// for(int row = 0; row < dst1.rows; row++){//for(int col = 0; col < dst1.cols; col++){// int x = dst1.at<uchar>(row, col);// int y = dst2.at<uchar>(row, col);// int xy = x + y;// //printf("%d \n", xy);// dst3.at<uchar>(row, col) = cv::saturate_cast<uchar>(xy);//}// }cv::addWeighted(dst1, 0.5, dst2, 0.5, 0, dst3);cv::imshow("dst3", dst3);cv::waitKey(0);return 0;}

② 计算梯度

利用 Gx 和 Gy 可以计算出X方向和Y方向的梯度 Grad_x 和 Grad_y；

则梯度可以通过以下公式进行计算：；

上面的公式一般可以简化为：；

注：上面的代码都没有将图像先转化为灰度图，导致处理出现问题，需要添加以下代码：

cv::cvtColor(src, src, cv::COLOR_BGR2GRAY);

修正代码：

# include <opencv2/opencv.hpp># include <cstdio># include <iostream>int main(int argc, char** argv){cv::Mat src;src = cv::imread("C:/Users/Liujinfu/Desktop/opencv_bilibili/test1.jpg");if (src.empty()){printf("could not load image..\n");return -1;}cv::imshow("input", src);cv::cvtColor(src, src, cv::COLOR_BGR2GRAY);cv::Mat dst1, dst2;cv::Sobel(src, dst1, 3, 1, 0, 3); // 使用Gxcv::Sobel(src, dst2, 3, 0, 1, 3); // 使用Gycv::convertScaleAbs(dst1, dst1);cv::convertScaleAbs(dst2, dst2);cv::imshow("dst1", dst1);cv::imshow("dst2", dst2);std::cout << "type:" << dst1.type() << std::endl;cv::Mat dst3 = cv::Mat(dst1.size(), dst1.type()); // 初始化图像// 遍历像素值，融合两幅图像for(int row = 0; row < dst1.rows; row++){for(int col = 0; col < dst1.cols; col++){int x = dst1.at<uchar>(row, col);int y = dst2.at<uchar>(row, col);int xy = x + y;dst3.at<uchar>(row, col) = cv::saturate_cast<uchar>(xy);}}//cv::addWeighted(dst1, 0.5, dst2, 0.5, 0, dst3);cv::imshow("dst3", dst3);cv::waitKey(0);return 0;}