opencv#33 边缘检测

边缘检测原理

     图像的每一行每一列都可以看成是一个连续的信号经过离散后得到的数值,例如上图左侧给出的图像由黑色到白色的一个信号,也就是图像中某一行像素变化是由黑色逐渐到白色,我们将其对应在一个坐标轴中,将像素值的大小对应与我们y轴,我们可以得到中间图片的曲线,曲线就表示这图像某一行像素灰度值的变化关系,当我们对此曲线求导,就可以得到最下面图片的曲线,图像的边缘就是图像中像素灰度值发生变化的像素点的集合,通过计算函数导数的方式可以找到灰度值变化的点,导数值大说明灰度值变化大,导数值为0,说明灰度值没有变化。图像边缘就是对于灰度函数图像中函数值发生突然改变的区域(点的集合)。

      导数(梯度)是微分中的概念,而微分针对的是连续可导的函数,但我们图像是离散的函数,因此对应着差分。微分差分核心思想一致,我们在边缘检测的过程中运用微分的思想来指导,但在实际操作中,我们用差分的形式来实现边缘检测。

      我们计算梯度(导数)时,通常采用差分值来表示导数,差分值就是两个像素的差值,由于梯度对于图像信号来说是一个相对的概念,也就是如果每一个梯度都乘或除以2是没有任何区别的,因此这里我们直接相减就可以。两个像素间的梯度对应在图像中没有意义,因此我们改进的想法是,若有三个像素,第三个像素减去第一个像素除以两者之间的距离,得到的就是第二个像素的梯度,通过这样的方式实现了梯度与像素相对应的方式。

Sobel算子边缘检测

Sobel()

void cv::Sobel(InputArray    src,OutputArray   dst,int           ddepth,int           dx,int           dy,int           ksize = 3,double        scale = 1,double        delta = 0,int           borderType = BORDER_DEFAULT)

·src:待边缘检测图像。

·dst:边缘检测后图像,与输入图像具有相同的尺寸和通道数。

·ddepth:边缘检测后,输出图像的数据类型,由于像素的变化不规律,因此我们用后一时刻的像素减去前一时刻的像素,两个像素的大小未知,可能会出现负值,所以不推荐使用八位无符号整数8U,我们可以使用16S。

·dx,dy:进行索贝尔算子时对于边缘检测的梯度的阶次。

·ksize:使用边缘检测时算子的尺寸大小,默认值为3.

·scale,delta:卷积过程中,对结果进行缩放的系数以及偏移量。例如图像变化平缓,那么得到的系数可能就比较小,直接乘这个系数就可以将梯度扩大,scale默认值为1,也就是不对结果进行缩放,delta默认值为0,也就是不对结果进行偏移。

·borderType:图像外扩标志。

     进行索贝尔边缘检测时,常见的方法是先进行行检测,再进行列检测,也就是对x和y方向分别求导。而在图像的每一点,结合上面求出的导数值,利用勾股定理求出近似梯度,或者是为了提高效率,使用不开平方的近似:利用x和y方向的导数的绝对值之和求出图像每一点的近似值的绝对值。这样可以实现对于图像整体的边缘检测。

     索贝尔算子为了增加梯度的大小,允许计算时三行同时进行计算,例如上图x方向的计算,是有一个主要的计算行(比如中间行),上下两行作为辅助计算,主要行所占权重较大,辅助行所占权重较小,y方向计算也是一样的,对y行进行转置,就可以得到y方向上边缘检测的边缘检测算子。

Scharr算子边缘检测

Scharr()

void cv::Scharr(InputArray    src,OutputArray   dst,int           ddepth,int           dx,int           dy,double        scale = 1,double        delta = 0,int           borderType = BORDER_DEFAULT)

Scharr算子就是在原先索贝尔算子的基础上对边缘检测的结果进一步加强。也就是得到的边缘响应更强了。

x方向的算子其实就是在索贝尔算子的基础上调整了每一个位置的系数,将主要行设置成10,将辅助行设置成3,这样可以得到一个较大的响应,但坏处是比较微弱的边缘通过此算子计算也会得到较强的响应。对于x方向算子进行转置,我们也可以得到y方向的算子。

两种算子的生成

getDerivKernels()

上面两种算子的函数内部也是调用了此函数。

void cv::getDerivKernels(OutputArray    kx,OutputArray    ky,int            dx,int            dy,int            ksize,normalize = bool           false,int            ktype = cv_32F)

·kx:行滤波器系数的输出矩阵,尺寸为ksize*1。

·ky: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_SCHARR(得到的就是Scharr算子),1,3,5,或7(可设定为索贝尔算子)。

·normalize:是否对滤波器系数进行归一化的标志,默认值为false,表示不进行归一化。上面的Sobel算子和Scharr算子都没有进行归一化,可能会使得边缘梯度响应特别大。

·ktype:滤波器系数类型,可以选择CV_32F或CV_64F,默认参数是CV_32F。

这里需要说明一点:当我们选择Sobel算子时,梯度阶数dx,dy <= 尺寸;Scharr算子的dx+dy <= 1。

通过这样的形式规定了结束与算子种类以及尺寸的关系,当我们求取过高的阶数,而采用较小的尺寸,这样是没办法实现过高阶数的求取的。

示例
#include <opencv2/opencv.hpp>
#include <iostream>using namespace cv; //opencv的命名空间
using namespace std;//主函数
int main()
{//读取图像,黑白图像边缘检测结果较为明显Mat img = imread("E:/opencv/opencv-4.6.0-vc14_vc15/opencv/lenaGray.png");if (img.empty()){cout << "请确认图像文件名称是否正确" << endl;return -1;}Mat resultX, resultY, resultXY;//X方向一阶边缘Sobel(img, resultX, CV_16S, 1, 0, 1); //尺寸参数设置为1其实是3convertScaleAbs(resultX, resultX); //求绝对值函数//Y方向一阶边缘Sobel(img, resultY, CV_16S, 0, 1, 3); //只不过将上面的dx,dy交换了,尺寸参数设置为1还是3是一致的convertScaleAbs(resultY, resultY);//整体图像的一阶边缘resultXY = resultX + resultY;//显示图像imshow("resultX", resultX);imshow("resultY", resultY);imshow("resultXY", resultXY);cout << "下面是进行Scharr边缘检测" << endl;waitKey(0);//等待函数用于显示图像,按下键盘任意键后退出//X方向一阶边缘Scharr(img, resultX, CV_16S, 1, 0);convertScaleAbs(resultX, resultX); //求绝对值函数//Y方向一阶边缘Scharr(img, resultY, CV_16S,0,1);convertScaleAbs(resultY, resultY);//整体图像的一阶边缘resultXY = resultX + resultY;//显示图像imshow("resultX", resultX);imshow("resultY", resultY);imshow("resultXY", resultXY);cout << "接下来生成边缘检测器" << endl;waitKey(0);//等待函数用于显示图像,按下键盘任意键后退出Mat sobel_x1, sobel_y1;//存放分离的Sobel算子Mat scharr_x, scharr_y;//存放分离的Scharr算子Mat sobelX1, scharrX;//存放最终算子//一阶X方向Sobel算子getDerivKernels(sobel_x1, sobel_y1, 1, 0, 3);//一阶尺寸为3sobel_x1 = sobel_x1.reshape(CV_8U, 1);sobelX1 = sobel_y1 * sobel_x1; //计算滤波器//X方向Scharr算子getDerivKernels(scharr_x, scharr_y, 1, 0, FILTER_SCHARR);scharr_x = scharr_x.reshape(CV_8U, 1);scharrX = scharr_y * scharr_x; //计算整体x方向滤波器cout << "X方向一阶Sobel算子" << endl << sobelX1 << endl;cout << "X方向Scharr算子" << endl << scharrX << endl;waitKey(0);//等待函数用于显示图像,按下键盘任意键后退出return 0;}
结果

Sobel边缘检测:

 

Scharr边缘检测:

 

 

生成的边缘检测器:

 

对于Sobel算子边缘检测的X方向,得到的边缘更多的是垂直的边缘,而Y方向,得到的边缘更多的是行方向的边缘,说明X方向和Y方向在进行检测时是各有侧重点的。将两者叠加就可以得到整幅图像的边缘。

对于Scharr算子边缘检测与Sobel是类似的,由于Scharr类型将得到的边缘梯度进行了很大的扩展,因此较小的边缘区域也被显示出来,所以得到的结果中感觉出有很多边缘,实际上它对微弱的边缘进行了扩充,可能两个像素只相差1,但是对结果扩大了很多倍,显示的就较亮,得到整体也是一个更加亮的图像。

生成的两种算子的类型,得到的结果是与上面一致。

 

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/645211.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Pytorch线性代数

1、加法运算 A torch.arange(20, dtypetorch.float32).reshape(5, 4) B A.clone() # 通过分配新内存&#xff0c;将A的一个副本分配给B A, A B# tensor([[ 0., 1., 2., 3.], # [ 4., 5., 6., 7.], # [ 8., 9., 10., 11.], # [12., 13.,…

Linux系统创建并自动启用交换文件

在Linux系统中&#xff0c;交换空间&#xff08;Swap Space&#xff09;被用作当物理内存&#xff08;RAM&#xff09;不足时的额外内存。尽管现代计算机通常配备有大量的RAM&#xff0c;但在某些情况下&#xff0c;如运行内存密集型应用或程序时&#xff0c;交换空间仍然非常有…

鼠标移入/点击子组件,获取选中子组件事件

不管是移入&#xff0c;或者是点击事件 都要知道是触发的哪个组件 这里子组件是个通用小标题title 所以&#xff0c;通过标题内容&#xff0c;获取触发的哪个子组件子组件 <template><div mouseover"tMouseover" mouseleave"tMouseLeave" class&…

[AIGC大数据基础] Spark 入门

大数据处理已成为当代数据领域的重要课题之一。为了高效地处理和分析大规模数据集&#xff0c;许多大数据处理引擎应运而生。其中&#xff0c;Spark作为一个快速、通用的大数据处理引擎备受关注。 本文将从“是什么、怎么用、为什么用”三个角度来介绍Spark。首先&#xff0c;我…

【Flutter跨平台插件开发】如何实现kotlin跟C++的相互调用

【Flutter跨平台插件开发】如何实现kotlin跟C的相互调用 kotlin 调 c 在 Kotlin 中&#xff0c;可以使用 JNI (Java Native Interface) 来调用 C 代码 调用步骤: 创建 C 文件并实现函数。 // example.cpp #include <jni.h>extern "C" JNIEXPORT jstring J…

SQL 系列教程(二)

目录 SQL DELETE 语句 DELETE 语句 演示数据库 DELETE 实例 删除所有行 SQL TOP, LIMIT, ROWNUM 子句 TOP 子句 演示数据库 SQL TOP、LIMIT 和 ROWNUM 示例 SQL TOP PERCENT 实例 添加WHERE子句 SQL MIN() 和 MAX() 函数 MIN() 和 MAX() 函数 演示数据库 MIN() …

spring eureka集群相关问题

一、集群节点信息如何更新&#xff1f; EurekaServer节点启动的时候&#xff0c;DefaultEurekaServerContext.init()方法调用PeerEurekaNodes.start()方法&#xff0c;start方法中resolvePeerUrls()会从配置文件读取serviceUrl属性值获得集群最新节点信息&#xff0c;通过upda…

电池回收产业东风中,吉利科技集团如何先行一步?

随着绿色低碳可持续发展理念深入人心&#xff0c;全球能源变革和转型升级持续推进&#xff0c;新能源行业不断涌现新的机遇。 动力电池回收和再利用&#xff0c;就是近在眼前的“红利型”产业。 我国新能源汽车市场近年来爆发式增长&#xff0c;动力电池生产紧随电动车普及步…

【代码管理】TortoiseGit 图标没有显示

当TortoiseGit在Windows系统中没有正确显示文件和目录的图标状态时&#xff0c;可能的原因和解决方法如下&#xff1a; 原因与解决方案&#xff1a; TortoiseGit未集成到资源管理器&#xff1a; 请确保TortoiseGit已正确安装&#xff0c;并在安装过程中选择了“将TortoiseGit集…

C++区间覆盖(贪心算法)

假设有n个区间&#xff0c;分别是&#xff1a;[l1,r1], [l2,r2], [l3,r3].....[ln,rn] 从这n个区间中选出某些区间&#xff0c;要求这些区间满足两两不相交&#xff0c;最多能选出多少个区间呢&#xff1f; 基本思路&#xff1a; 按照右端点从小到大排序&#xff0c;再比较左端…

深度学习中RGB影像图的直方图均衡化python代码and对图片中指定部分做基于掩模的特定区域直方图均衡化

深度学习很重要的预处理步骤 就是需要对做直方图均衡化 其中主要分成灰度图以及RGB图的直方图均衡化 这俩的方法和代码不同 想要去看具体原理的朋友可以查看下面这篇博客的内容 写的很详细颜色直方图均衡化(https://www.cnblogs.com/wancy/p/17668345.html) 我们这个场景中会用…

【RT-DETR有效改进】FasterNet一种跑起来的主干网络( 提高FPS和检测效率)

前言 大家好&#xff0c;这里是RT-DETR有效涨点专栏。 本专栏的内容为根据ultralytics版本的RT-DETR进行改进&#xff0c;内容持续更新&#xff0c;每周更新文章数量3-10篇。 专栏以ResNet18、ResNet50为基础修改版本&#xff0c;同时修改内容也支持ResNet32、ResNet101和PP…

Google murmur3 hashString用法

如下为将String获取hashcode&#xff0c;转为Long的方法&#xff0c;主要是在海量数据的flink程序里&#xff0c;为了节省状态的存储空间&#xff0c;所以尝试用long来存储。 同样的还可以hash其他格式的数据。 评估了下&#xff0c;murmur3最高用的是128位的hash值&#xff…

圈子论坛社交实名制系统---H5小程序APP,三端源码交付,允许二开!PHP系统uni书写!

圈子系统是一种社会化网络平台&#xff0c;它的核心是以用户为中心&#xff0c;围绕用户的兴趣、爱好、经历和职业等因素&#xff0c;将具有相同特质的个体聚集起来&#xff0c;形成具有共同话题和兴趣的社交圈子。这样的系统旨在帮助用户拓宽社交范围&#xff0c;提升社交效率…

uniapp+vue开发微信小程序,image标签图片IOS可以正常回显,安卓回显不出

仅代表个人遇到的问题&#xff0c;仅代表个人遇到的问题&#xff0c;仅代表个人遇到的问题&#xff0c; 1.先说最快的解决方案&#xff0c;直接在src下面额外添加一段url&#xff0c;https://images.weserv.nl/?url&#xff0c; <imagestyle"width: 180rpx; height: 2…

封装 element el-date-picker时间选择区间

基于el-date-picker 处理满足项目需求。&#xff08;&#xff1a;最多选择7天&#xff09; 效果&#xff1a; 1 大于当前时间的以后日期禁选。2 选中时间的前后七天可选 &#xff08;最多可查询7天数据&#xff09;3 <template><section class"warning-contai…

FPGA硬件架构——具体型号是xc7k325tffg676-2为例

1.共如下图14个时钟域&#xff0c;XmYn(按坐标理解) 2.IOB(IOB为可编程输入输出单元,当然在普通Bank上的IOB附近还有很多时钟资源&#xff0c;例如PLL&#xff0c;MMCM资源。), 2.1 FPGA的Bank分为HP Bank和HR Bank&#xff0c;二者对电压的要求范围不同&#xff0c;HR支持更大…

Spark 的宽依赖和窄依赖

Apache Spark 中的依赖关系指的是转换操作&#xff08;transformations&#xff09;之间的依赖类型。这些依赖关系决定了任务是如何在集群上分布执行的。依赖关系分为两类&#xff1a;宽依赖&#xff08;Wide Dependency&#xff09;和窄依赖&#xff08;Narrow Dependency&…

orchestrator介绍3.2 命令行之orchestrator-client

orchestrator-client 是一个包装 API 调用的脚本&#xff0c;使用起来更方便。 它可以自动确定orchestrator的Leader角色&#xff0c;并在这种情况下将所有请求转发给Leader。 有了orchestrator-client&#xff1a; 不需要到处安装orchestrator的二进制文件&#xff1b;仅在…

2023龙信杯wp

打了好像70多分&#xff0c;没拿奖&#xff0c;因为一些众所周知的原因&#xff0c;复盘间隔时间太长了没什么印象了已经 案情简介 2023年9月&#xff0c;某公安机关指挥中心接受害人报案:通过即时通讯工具添加认识一位叫“周微”的女人&#xff0c;两人谈论甚欢&#xff0c;确…