matlab图像处理的代码分享

前言：

最近在学习matlab的图像处理，边缘锐化需要用到的重要工具之一就是矩阵纵向差分，这里分享一下两种风格的代码。

第一种：

基本没用多的库函数，但边界处理中稍微有点麻烦

#include <iostream>
#include <opencv2/opencv.hpp>
using namespace cv;
using namespace std;

Mat verticalDiff(const Mat& image)
{
	Mat grayImage;
	cvtColor(image, grayImage, COLOR_BGR2GRAY);

	Mat diffimage = grayImage.clone();
	for (int y = 0; y < grayImage.rows; y++)
	{
		for (int x = 0; x < grayImage.cols; x++)
		{
			if (y == 0 || y == grayImage.rows - 1 || x == 0 || x == grayImage.cols-1)
			{
				diffimage.at<uchar>(y, x) = 0;
			}
			else
			{
				int diff = grayImage.at<uchar>(y, x + 1) - grayImage.at<uchar>(y, x - 1);
				diffimage.at<uchar>(y, x) = max(min(255, diff), 0);
			}
		}
	}

	return diffimage;

}



int main()
{
	Mat image = imread("C:/Users/86137/Pictures/Screenshots/屏幕截图 2024-03-16 001448.png", IMREAD_COLOR);
	if (image.empty())
	{
		cout << "Failed to read the image!" << endl;
		return -1;
	}

	Mat diffimage = verticalDiff(image);

	namedWindow("Original image", WINDOW_NORMAL);
	imshow("Original image", image);

	namedWindow("Vertical Diff Image", WINDOW_NORMAL);
	imshow("Vertical Diff Image", diffimage);
	waitKey(0);
	return 0;
}

第二种：

（这里用的是双向差分，但是原理一样），用了sobel函数，简单搬运一下sobel的定义：

• Sobel(src, dst, ddepth, dx, dy, ksize, scale, delta, borderType);
• src: 输入图像，通常为灰度图像。
• dst: 输出图像，用于保存 Sobel 梯度的结果。
• ddepth: 输出图像的深度，通常为 CV_16S 或 CV_32F。在梯度计算中，为了避免数据溢出，通常会选择一个比较高的深度，如 CV_16S。
• dx: x 方向上的导数阶数。
• dy: y 方向上的导数阶数。
• ksize: Sobel 核的大小，通常为 1、3、5 或者 7。
• scale: 梯度放缩因子，通常为 1。
• delta: 在梯度计算结果上加的偏置，通常为 0。
• borderType: 边界扩展方式，通常为 BORDER_DEFAULT。

代码里用Sobel(src,dst,ddepth,dx,dy)来求x,y两个方向的差分

#include <iostream>
#include <opencv2/opencv.hpp>

using namespace cv;
using namespace std;

Mat bidirectionalDiff(const Mat& image)
{
    Mat grayImage;
    cvtColor(image, grayImage, COLOR_BGR2GRAY);

    Mat diffImage = grayImage.clone();

    // Compute horizontal difference
    Mat horizontalDiff;
    Sobel(grayImage, horizontalDiff, CV_16S, 1, 0);

    // Compute vertical difference
    Mat verticalDiff;
    Sobel(grayImage, verticalDiff, CV_16S, 0, 1);

    // Combine horizontal and vertical differences
    for (int y = 0; y < grayImage.rows; y++)
    {
        for (int x = 0; x < grayImage.cols; x++)
        {
            int diffH = abs(horizontalDiff.at<short>(y, x));
            int diffV = abs(verticalDiff.at<short>(y, x));
            diffImage.at<uchar>(y, x) = saturate_cast<uchar>(sqrt(diffH * diffH + diffV * diffV));
        }
    }

    return diffImage;
}

int main()
{
    Mat image = imread("image.jpg", IMREAD_COLOR);
    if (image.empty())
    {
        cout << "Failed to read the image!" << endl;
        return -1;
    }

    Mat diffImage = bidirectionalDiff(image);

    namedWindow("Original image", WINDOW_NORMAL);
    imshow("Original image", image);

    namedWindow("Bidirectional Diff Image", WINDOW_NORMAL);
    imshow("Bidirectional Diff Image", diffImage);

    waitKey(0);
    return 0;
}

因为处理比较初级，所以划分效果也差强人意，但是对matlab处理图的原理更清楚了。下面是双向差分的结果