以下,我们在图像处理中默认梯度,导数,差分是一个概念。
我们前面博客中关于自动对焦,使用了梯度和=|dx|+
|dy|的方法解决。
我们上一节证明了积分和与二阶差分(梯度)的关系,或者说积分和与盒子(box)滤波器之间的关系。
显而易见,积分和能表达上面关系,那么梯度和也能表达二阶差分(梯度)的关系。
显然,盒子滤波器也可以用梯度和来处理,那么,请问,积分和加减效率高,还是梯度和效率高?
测试发现,小面积矩形内,梯度和效率高。
大面积矩形内,积分和效率高。看下图比较:
但在同一样的格子上,二者的值都是稳定的。(你应该知道我的意思)
因为一阶导数求导,就是二阶导数,梯度和这种关系,应该比积分和更近吧!
既然,积分和的加减能表达二阶差分,也就是说,积分和的加减也能表达梯度,
这就是积分和与梯度和以及盒子(box)滤波器的关系。
所以,我们的自动对焦,也可以用积分和的加减来实现。
附注:梯度和c#最后的优化代码如下:
DateTime dt = DateTime.Now;
int _RoiW =(int) m_cutImageRoi.m_RoiBase1.rcWin.Width;
int _RoiH = (int)m_cutImageRoi.m_RoiBase1.rcWin.Height;
int _RoiX = (int)m_cutImageRoi.m_RoiBase1.rcWin.Left;
int _RoiY = (int)m_cutImageRoi.m_RoiBase1.rcWin.Top;
long msum = 0;
for (int j = 1; j < _RoiH-1; j++)
//极限改进后的梯度和,小面积计算速度上绝对领先,接近512*512时,被反超0.001毫秒,202010130855
for (int i = 1; i < _RoiW-1; i++)
{
int n0 = ((j + _RoiY) * 512 + i + _RoiX);
msum += glob_buffer512512[n0] - glob_buffer512512[n0 + 1];
msum += glob_buffer512512[n0] - glob_buffer512512[n0 + _RoiW];
}
textBoxtime.Text = (DateTime.Now - dt).ToString();
Msum.Text = msum.ToString();//