C++OpenCV系统学习（7）——图像阈值操作、线性滤波

目录

1.概念

1.1图像阈值（threshold）

1.2阈值类型——阈值二值化（threshold binary）

 1.3 阈值类型——截断（truncate）

 1.4阈值类型——阈值取零（threshold to zero）

 1.5阈值类型——阈值反取零（threshold  to zero inverted）

 2.线性滤波

2.1卷积概念

2.1.1卷积的原理

 3.自定义卷积模糊

---

1.概念

1.1图像阈值（threshold）

阈值简单的来说就是图像分割的标尺，这个标尺是如何产生的，阈值的产生算法是什么，阈值类型？

1.2阈值类型——阈值二值化（threshold binary）

左下方的图表示图像像素点Src(x，y)值分布情况，蓝色水平线表示阈值

 1.3 阈值类型——截断（truncate）

左下方的图表示图像像素点Src(x，y)值的分布情况，蓝色水平线表示阈值

 1.4阈值类型——阈值取零（threshold to zero）

左下方的图表示图像像素点Src(x，y)值的分布情况，蓝色水平线表示阈值

 1.5阈值类型——阈值反取零（threshold  to zero inverted）

左下方的图表示图像像素点Src(x，y)值的分布情况，蓝色水平线表示阈值

 2.线性滤波

2.1卷积概念

• 卷积是图片处理中的一个操作，是kernel在图片的每个像素上的操作
• kernel本质上是一个固定大小的矩阵数组，其中心点称为锚点

2.1.1卷积的原理

             

 卷积核也成为卷积算子，比较常见的算子有：

利用Robert算子分别从X和Y方向滤波结果如下：

void MyApi::linear_filter(Mat & image)
{
	Mat x_dst;
	//Robert X方向
	Mat kerner_x = (Mat_<int>(2, 2) << 1, 0, 0, -1);
	filter2D(image, x_dst, -1, kerner_x, Point(-1, -1), 0.0);

	//Robert Y方向
	Mat y_dst;
	Mat kerner_y = (Mat_<int>(2, 2) << 0, 1, -1, 0);
	filter2D(image, y_dst, -1, kerner_y, Point(-1, -1), 0.0);

	namedWindow("Robert_x", WINDOW_FREERATIO);
	imshow("Robert_x", x_dst);

	namedWindow("Robert_y", WINDOW_FREERATIO);
	imshow("Robert_y", y_dst);


}

我们可以看到在x和Y方向的梯度 

 Sobel算子：

void MyApi::linear_filter(Mat & image)
{
	Mat x_dst;
	//Robert X方向
	Mat kerner_x = (Mat_<int>(2, 2) << 1, 0, 0, -1);
	filter2D(image, x_dst, -1, kerner_x, Point(-1, -1), 0.0);

	//Robert Y方向
	Mat y_dst;
	Mat kerner_y = (Mat_<int>(2, 2) << 0, 1, -1, 0);
	filter2D(image, y_dst, -1, kerner_y, Point(-1, -1), 0.0);

	//Sobel算子X方向
	Mat sobel_x_dst;
	Mat sobel_kerner_x = (Mat_<int>(3, 3) <<-1,0,1,-2,0,2,-1,0,1);
	filter2D(image, sobel_x_dst, -1, sobel_kerner_x, Point(-1, -1), 0.0);

	//Sobel算子Y方向
	Mat sobel_y_dst;
	Mat sobel_kerner_y = (Mat_<int>(3, 3) << -1, -2, -1, 0, 0, 0, 1, 2, 1);
	filter2D(image, sobel_y_dst, -1, sobel_kerner_y, Point(-1, -1), 0.0);

	namedWindow("Robert_x", WINDOW_FREERATIO);
	imshow("Robert_x", x_dst);

	namedWindow("Robert_y", WINDOW_FREERATIO);
	imshow("Robert_y", y_dst);

	namedWindow("Sobel_x", WINDOW_FREERATIO);
	imshow("Sobel_x", sobel_x_dst);

	namedWindow("Sobel_y", WINDOW_FREERATIO);
	imshow("Sobel_y", sobel_y_dst);

}

 Laplace算子类似操作就不写了。Laplace算子可以获取整个的轮廓结果

 3.自定义卷积模糊

前面我们使用了常见的算子进行卷积，我们也可以自定义卷积：

filter2D方法filter2D（

Mat src,

Mat dst,

int depth//深度不知道就默认-1，

Mat kernel,

Point anchor,//锚点位置就默认Potin（-1，-1）

double delta//计算出来的像素+delta

）

其中kernel是可以自定义的卷积核

案例：自定义算子:完成模糊逐渐加深，每过0.5s就加深模糊一次，只有按ESC键才会结束 

void MyApi::linear_filter(Mat & image)
{
	//Mat x_dst;
	Robert X方向
	//Mat kerner_x = (Mat_<int>(2, 2) << 1, 0, 0, -1);
	//filter2D(image, x_dst, -1, kerner_x, Point(-1, -1), 0.0);

	Robert Y方向
	//Mat y_dst;
	//Mat kerner_y = (Mat_<int>(2, 2) << 0, 1, -1, 0);
	//filter2D(image, y_dst, -1, kerner_y, Point(-1, -1), 0.0);

	Sobel算子X方向
	//Mat sobel_x_dst;
	//Mat sobel_kerner_x = (Mat_<int>(3, 3) <<-1,0,1,-2,0,2,-1,0,1);
	//filter2D(image, sobel_x_dst, -1, sobel_kerner_x, Point(-1, -1), 0.0);

	Sobel算子Y方向
	//Mat sobel_y_dst;
	//Mat sobel_kerner_y = (Mat_<int>(3, 3) << -1, -2, -1, 0, 0, 0, 1, 2, 1);
	//filter2D(image, sobel_y_dst, -1, sobel_kerner_y, Point(-1, -1), 0.0);

	//namedWindow("Robert_x", WINDOW_FREERATIO);
	//imshow("Robert_x", x_dst);

	//namedWindow("Robert_y", WINDOW_FREERATIO);
	//imshow("Robert_y", y_dst);

	//namedWindow("Sobel_x", WINDOW_FREERATIO);
	//imshow("Sobel_x", sobel_x_dst);

	//namedWindow("Sobel_y", WINDOW_FREERATIO);
	//imshow("Sobel_y", sobel_y_dst);

	//自定义算子:完成模糊逐渐加深，每过0.5s就加深模糊一次
	Mat dst;
	int c = 0;
	int index = 0;
	int ksize = 0;
	while (true)
	{
		c = waitKey(500);
		if ((char)c == 27)//当按ESC键跳出
		{
			break;
		}
		ksize = 4 + (index % 5) * 2 + 1;
		Mat kernel = Mat::ones(Size(ksize, ksize), CV_32F / (float)(ksize * ksize));
		filter2D(image, dst, -1, kernel, Point(-1, -1));
		index++;
		namedWindow("自定义算子", WINDOW_FREERATIO);
		imshow("自定义算子", dst);
	}


}