图像的拉普拉斯算子之c++实现（qt + 不调包）_laplacian函数计算图像清晰度c+

于 2024-05-16 03:34:53 发布
阅读量1k 收藏 27
点赞数 25
分类专栏： 2024年程序员学习 文章标签： 物联网 嵌入式硬件 面试
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2401_85015182/article/details/138934792
版权

img
img

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上物联网嵌入式知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、电子书籍、讲解视频，并且后续会持续更新

需要这些体系化资料的朋友，可以加我V获取：vip1024c （备注嵌入式）

如果你需要这些资料，可以戳这里获取

       g*=scale;
       b*=scale;
       r = qBound(-255,r,255);
       g = qBound(-255,g,255);
       b = qBound(-255,b,255);
       switch (mode) {
       case 0:
           if(r<0) r = 0;
           break;
       case 1:
           if(r>0) r = 0;
           r = -r;
           break;
       case 2:
           if(r<0) r = -r;
           break;
       case 3:
           if(r<0) r = 128 + r/2;
           break;
       default:
           break;
       }
       switch (mode) {
       case 0:
           if(g<0) g = 0;
           break;
       case 1:
           if(g>0) g = 0;
           g = -g;
           break;
       case 2:
           if(g<0) g = -g;
           break;
       case 3:
           if(g<0) g = 128 + g/2;
           break;
       default:
           break;
       }
       switch (mode) {
       case 0:
           if(b<0) b = 0;
           break;
       case 1:
           if(b>0) b = 0;
           b = -b;
           break;
       case 2:
           if(b<0) b = -b;
           break;
       case 3:
           if(b<0) b = 128 + b/2;
           break;
       default:
           break;
       }
        newImage->setPixel(x,y,qRgb(r,g,b));
    }
}
return newImage;

}

/拉普拉斯素描 k是用来消噪声点，ka是用来消灰度较低的斑点/
QImage* MainWindow:: LaplacianB(QImage* image,double scale,int k,int ka)
{
QImage* newImage = new QImage(image->width(),image->height(),QImage::Format_ARGB32);
QImage* newImage1 = new QImage(image->width(),image->height(),QImage::Format_ARGB32);
QColor color0;
int templt[3][3] = {
{1,1,1},
{1,-8,1},
{1,1,1}
};
int templt1[3][3] = {
{1,1,-1},
{1,0,-1},
{1,-1,-1}
};
int templt2[3][3] = {
{1,1,1},
{-1,0,1},
{-1,-1,-1}
};
int templt3[3][3] = {
{1,1,1},
{1,4,1},
{1,1,1}
};
int templtsize = 3;
for(int y = templtsize/2; y < image->height() - templtsize/2; y++)
{
for(int x = templtsize/2; x < image->width() - templtsize/2;x++)
{
int r =0;
int g = 0;
int b = 0;
int r1 =0;
int g1= 0;
int b1 = 0;
int r2 =0;
int g2 = 0;
int b2 = 0;
int r3=0;
int g3 = 0;
int b3 = 0;
for(int j = -templtsize/2; j <= templtsize/2;j++)
{
for(int i = -templtsize/2; i <= templtsize/2;i++)
{
color0 = QColor(image->pixel(x + i,y + j));
r += color0.red() * templt[i + templtsize/2][j + templtsize/2];
g += color0.green() * templt[i + templtsize/2][j + templtsize/2];
b += color0.blue() * templt[i + templtsize/2][j + templtsize/2];

                   r1+= color0.red() * templt1[i + templtsize/2][j + templtsize/2];
                   g1 += color0.green() * templt1[i + templtsize/2][j + templtsize/2];
                   b1 += color0.blue() * templt1[i + templtsize/2][j + templtsize/2];

                   r2 += color0.red() * templt2[i + templtsize/2][j + templtsize/2];
                   g2 += color0.green() * templt2[i + templtsize/2][j + templtsize/2];
                   b2 += color0.blue() * templt2[i + templtsize/2][j + templtsize/2];
            }
        }
        r1 = abs(r1);
        g1 = abs(g1);
        b1 = abs(b1);

        r2 = abs(r2);
        g2 = abs(g2);
        b2 = abs(b2);

        r3 = r1>r2?r1:r2;
        g3 = g1>g2?g1:g2;
        b3 = b1>b2?b1:b2;

        if(r3<k) r = 0;
        else
        {
             r*= scale;
             if(r > 255) r = 255;
             else if(r < ka) r = 0;
        }
        if(g3<k) g = 0;
        else
        {
             g*= scale;
             if(g > 255) g = 255;
             else if(g < ka) g = 0;
        }
        if(b3<k) b = 0;
        else
        {
             b*= scale;
             if(b > 255) b = 255;
             else if(b < ka) b = 0;
        }

        r = 255 -r;
        g = 255 - g;
        b = 255 - b;

        newImage1->setPixel(x,y,qRgb(r,g,b));
}

}
for(int y = templtsize/2; y < image->height() - templtsize/2; y++)
{
for(int x = templtsize/2; x < image->width() - templtsize/2;x++)
{
int r =0;
int g = 0;
int b = 0;
for(int j = -templtsize/2; j <= templtsize/2;j++)
{
for(int i = -templtsize/2; i <= templtsize/2;i++)
{
color0 = QColor(newImage1->pixel(x + i,y + j));
r += color0.red() * templt3[i + templtsize/2][j + templtsize];
g += color0.green() * templt3[i + templtsize/2][j + templtsize];
b += color0.blue() * templt3[i + templtsize/2][j + templtsize];
}
}
r = r/12;
g = g/12;
b = b/12;
newImage->setPixel(x,y,qRgb(r,g,b));
}
}
delete newImage1;
return newImage;
}

/高斯拉普拉斯边缘检测 /
QImage MainWindow:: SideLaplacianG(QImage image,double scale)
{
QImage* newImage = new QImage(image->width(),image->height(),QImage::Format_ARGB32);
QColor color0;
int templt[5][5] = {
{0,0,-1,0,0},
{0,-1,-2,-1,0},
{-1,-2,16,-2,-1},
{0,-1,-2,-1,0},
{0,0,-1,0,0}
};

int templtsize = 5;
for(int y = templtsize/2; y < image->height() - templtsize/2; y++)
{
    for(int x = templtsize/2; x < image->width() - templtsize/2;x++)
    {
        int r =0;
        int g = 0;
        int b = 0;
        for(int j = -templtsize/2; j <= templtsize/2;j++)
        {
            for(int i = -templtsize/2; i <= templtsize/2;i++)
            {
                   color0 = QColor(image->pixel(x + i,y + j));
                   r += color0.red() * templt[i + templtsize/2][j + templtsize/2];
                   g += color0.green() * templt[i + templtsize/2][j + templtsize/2];
                   b += color0.blue() * templt[i + templtsize/2][j + templtsize/2];
            }
        }
        r*=scale;
        g*=scale;
        b*=scale;
        r = qBound(0,r,255);
        g = qBound(0,g,255);
        b = qBound(0,b,255);
        newImage->setPixel(x,y,qRgb(r,g,b));
}

}
return newImage;
}


#### **3.下载路径**：




**收集整理了一份《2024年最新物联网嵌入式全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升的朋友。**
![img](https://img-blog.csdnimg.cn/img_convert/19b803dbba3c8b62416131e7de874c53.png)
![img](https://img-blog.csdnimg.cn/img_convert/31597774bb4f032c0b2406d59baf8acc.png)

**[如果你需要这些资料，可以戳这里获取](https://bbs.csdn.net/topics/618679757)**

**需要这些体系化资料的朋友，可以加我V获取：vip1024c （备注嵌入式）**

**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人**

**都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**

外链图片转存中...(img-jpqCK0t9-1715801671120)]

**[如果你需要这些资料，可以戳这里获取](https://bbs.csdn.net/topics/618679757)**

**需要这些体系化资料的朋友，可以加我V获取：vip1024c （备注嵌入式）**

**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人**

**都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**
2401_85015182
关注
  • 25
    点赞
  • 踩
  • 27
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Qt+OpenCV2.4.4实现拉普拉斯算子图像锐化(Mat结构实现)
05-28
在本文中，我们将深入探讨如何使用Qt框架与OpenCV 2.4.4库来实现拉普拉斯算子进行图像锐化的技术。首先，我们来理解拉普拉斯算子的基本概念，然后我们会介绍如何在Mat结构中应用这个算子，最后会简述Qt和OpenCV的...
Laplacian函数边缘检测_边缘检测；拉普拉斯算子_
10-02
拉普拉斯算子（Laplacian Operator）是边缘检测中常用的一种数学工具，尤其适用于检测图像中的快速亮度变化，即边缘。在本主题中，我们将深入探讨拉普拉斯算子的理论基础，以及如何通过编程实现边缘检测。 拉普拉斯...
图像的拉普拉斯算子之c++实现（qt + 不调包）_laplacian函数计算图像清晰度c(1)
最新发布
2401_85014040的博客
05-15 900
(img-FdB9nhNZ-1715713507024)]拉普拉斯素描 k是用来消噪声点，ka是用来消灰度较低的斑点。高斯拉普拉斯边缘检测。
拉普拉斯分布
热门推荐
02-03 2万+
在概率论与统计学中，拉普拉斯分布是以皮埃尔-西蒙·拉普拉斯的名字命名的一种连续概率分布.由于它可以看作是两个不同位置的指数分布背靠背拼接在一起，所以它也叫作双指数分布.两个相互独立同概率分布指数随机变量之间的差别是按照指数分布的随机时间布朗运动，所以它遵循拉普拉斯分布. 如果随机变量的概率密度函数为 那么它就是拉普拉斯分布.记为： 其中
图像处理：模糊图像判断
m0_62919535的博客
12-04 4909
本次将会使用一组模糊图像和一组标准图像获得模糊判定区间（a，b），我们知道梯度值越大，图像越清晰，所以当我们进行测试一张图像时，它所返回的梯度值小于a，则可以说明它是一个模糊的图像，当返回的梯度值大于b时，则可以说明它是一个清晰的图像，而当返回的梯度值落在了a与b之间，我们将其也放在模糊图像当中。
50579067marr_laplacian.zip_hslogic算法仿真_图像边缘提取_拉普拉斯算子_边缘提取
07-14
hslogic算法仿真-基于拉普拉斯算子的图像边缘提取
图像处理_拉普拉斯算子_fly96z_图像处理matlab_
09-29
在图像处理领域，拉普拉斯算子是一种广泛使用的边缘检测算子，它是基于图像梯度的一种二阶微分算子。本项目由fly96z提供，主要关注使用MATLAB进行图像处理，包括了多种边缘检测算法的实现，如Sobel、Prewitt、...
matlab图像复原和图像增强技术：11 拉普拉斯算子锐化实现图像增强.zip
05-26
本压缩包文件“matlab图像复原和图像增强技术：11 拉普拉斯算子锐化实现图像增强.zip”着重介绍了如何使用MATLAB实现拉普拉斯算子来对图像进行锐化，从而提升图像的细节表现。 首先，让我们了解一下图像复原与图像...
产生拉普拉斯分布随机数--C语言实现
jk99528878769的博客
04-30 1891
产生拉普拉斯分布随机数--C语言实现
Laplace distribution (拉普拉斯分布)
Hansry的博客
12-26 2万+
在概率论和统计学中，拉普拉斯是一种连续概率分布。由于它可以看做是俩个不同位置的指数分布背靠背拼在一起，所以它也叫做双指数分布。如果随机变量的概率密度函数分布为：那么他就是拉普拉斯分布。u为位置参数，b>0是尺度参数。与正态分布相比，正态分布是用相对于u平均值的差的平方来表示，而拉普拉斯概率密度用相对于差的绝对值来表示。因此，拉普拉斯的尾部比正态分布更加平坦。用matlab给出拉普拉斯分布的绘图：
【概率论】Laplace 分布 / Laplace Distribution
北境の守望者
09-03 3653
PDF 满足以下表达式的概率分布称为 Laplace 分布, Laplace(x;μ,γ)=12γexp(−|x−μ|γ)Laplace(x;μ,γ)=12γexp(−|x−μ|γ)Laplace (x; \mu, \gamma) = \frac 1 {2\gamma}exp\left( - \frac{|x-\mu|}{\gamma} \right), 其中 μμ\mu 是位置参数,...
概率论中指数分布介绍及C++11中std::exponential_distribution的使用
网络资源是无限的
06-28 7563
概率论中指数分布介绍及C++11中std::exponential_distribution的使用
拉普拉斯分布（Laplace distribution）
weixin_30920597的博客
12-29 3820
拉普拉斯分布的定义与基本性质其分布函数为分布函数图其概率密度函数为密度函数图拉普拉斯分布与正太分布的比较从图中可以直观的发现拉普拉斯分布跟正太分布很相似，但是拉普拉斯分布比正太分布有尖的峰和轻微的厚尾。 转载于:https://www.cnblogs.com/yifdu25/p/8146446.html...
图像边缘检测之拉普拉斯(Laplacian)C++实现
网络资源是无限的
02-13 1万+
图像边缘检测之拉普拉斯(Laplacian)C++实现
图像清晰度识别之Laplacian算子
Andyato的博客
05-10 9869
最近在做图像清晰度检测的时候，用到了Laplacian算子，所以系统整理下这方面的相关知识。 Laplacce算子是一种各向同性算子，二阶微分算子，在只关心边缘的位置而不考虑其周围的象素灰度差值时比较合适。Laplace算子对孤立象素的响应要比对边缘或线的响应要更强烈，因此只适用于无噪声图象。存在噪声情况下，使用Laplacian算子检测边缘之前需要先进行低通滤波。所以，通常的分割算法都是把Lap...
c++实现图像锐化边缘检测拉普拉斯算子
09-08
在C语言中，可以使用以下代码实现图像的锐化边缘检测拉普拉斯算子： ``` #include <stdio.h> #include <stdlib.h> #include <opencv2/opencv.hpp> using namespace cv; int main() { Mat image = imread("image.jpg", 0); // 读取灰度图像 Mat sharpened; Laplacian(image, sharpened, CV_16S, 3); // 使用拉普拉斯算子进行边缘检测 convertScaleAbs(sharpened, sharpened); // 将结果转回8位图像 imshow("Original Image", image); imshow("Sharpened Image", sharpened); waitKey(0); return 0; } ``` 其中，`image.jpg`是待处理的图像文件名，`Laplacian`函数用于应用拉普拉斯算子进行边缘检测，`convertScaleAbs`函数用于将结果转回8位图像。该代码将显示原始图像和处理后的图像窗口。 注意，由于拉普拉斯算子是二阶微分，对噪点非常敏感，所以在进行锐化之前可以先使用高斯滤波来降噪。另外，可能会出现拉普拉斯噪声值比较大的情况，可以根据具体情况进行调整和处理。<span class="em">1</span><span class="em">2</span><span class="em">3</span>

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值