OpenCV（二）逐像素的图像复制、图像边缘检测（自实现和API实现）

目录

一、逐像素的图像复制

1、代码

2、效果

二、简单的图像边缘检测（自实现）

0、图像处理的卷积运算

1、简单模糊处理

 2、强化边缘处理

1、原理

2、代码

 3、效果

三、简单的图像边缘检测（调用API）

1、设置卷积核kernel

2、利用filter()函数进行卷积运算

 3、总代码

---

一、逐像素的图像复制

这里主要是为了强化图像的指针应用。

//图像的指针用法举例
cv::Mat image = cv::Mat(400, 600, CV_8UC1);    //定义了一个Mat变量image。
uchar * data00 = image.ptr<uchar>(0);          //data00是指向image第1行第1个元素的指针。
uchar * data10 = image.ptr<uchar>(1);          //data10是指向image第1行第1个元素的指针。
uchar * data01 = image.ptr<uchar>(0)[1];       //data01是指向image第1行第2个元素的指针。

1、代码：

//逐像素的图像复制
#include <iostream>
#include <opencv2/opencv.hpp>          

using namespace cv;
using namespace std;
int main()
{
	int i, j;
	Mat img = imread("Resource/Lena.jpg");

	int channels = img.channels();									//通道数
	int cols = img.cols * channels;									//列*通道数（每行需要的RGB）
	int rows = img.rows;												//行数

	Mat New = Mat::zeros(img.size(), img.type());		//创建一张黑色的图
	const uchar* p = img.ptr<uchar>(0);						//原图首地址
	uchar* pNew = New.ptr<uchar>(0);						//新图首地址

	if (img.empty())								//判断图像存在
	{
		printf("could not load the image..");
		return -1;
	}

	for (i = 0; i < rows; i++)
	{
		p = img.ptr<uchar>(i);				//指向i行首元素
		pNew = New.ptr<uchar>(i);		//指向j行首元素
		for (j = 0; j <= cols; j++)
		{
			pNew[j] = p[j];							//pNew的i行j元素RGB赋值p的i行j元素RGB
		}
	}

	namedWindow("原始图像", WINDOW_AUTOSIZE);
	imshow("原始图像", img);

	namedWindow("修改后图像", WINDOW_AUTOSIZE);
	imshow("修改后图像", New);

	waitKey(0);

	return 0;
}

2、效果

二、简单的图像边缘检测（自实现）

0、图像处理的卷积运算

1、简单模糊处理

比如说，如下图像处理矩阵将使得图像变得更平滑，显得更模糊，因为它联合周边像素进行了平均处理：

 2、强化边缘处理

而如下图像处理矩阵将使得像素值变化明显的地方更为明显，强化边缘，而变化平缓的地方没有影响，达到提取边缘的目的：

 

1、原理

在边缘处，留心观察发现会有RGB的突变，只需要把这个RGB突变部分给锐化，显示在对应位置即可。（其他部分淡化）

 

 

2、代码

//平滑处理
#include <iostream>
#include <opencv2/opencv.hpp>               

using namespace cv;
using namespace std;
int main()
{
	int i, j;
	Mat img = imread("Resource/Lena.jpg");
	if (img.empty())
	{
		printf("could not load the image..");
		return -1;
	}
	int cols = img.cols * img.channels();			//列*通道数
	int rows = img.rows;							//行数
	int channels = img.channels();					//通道数
	Mat New = Mat::zeros(img.size(), img.type());	//创建一张黑色的图
	const uchar* p;									//原图当前行首地址（暂时无指向）
	const uchar* prior;								//原图上一行首地址（暂时无指向）
	const uchar* next;								//原图下一行首地址（暂时无指向）
	uchar* pNew;									//新图当前行首地址（暂时无指向）

	//按行处理（每行首和尾不做处理）
	for (i = 1; i < rows - 1; i++)
	{
		p = img.ptr<uchar>(i);						//原图当前行首地址
		prior = img.ptr<uchar>(i - 1);				//原图上一行首地址
		next = img.ptr<uchar>(i + 1);				//原图下一行首地址
		pNew = New.ptr<uchar>(i);					//新图当前行首地址
		//按列处理（每列首和尾不做处理）
		for (j = 0 + channels; j <= cols - channels; j++)
		{
			pNew[j] = saturate_cast <uchar>(4 * p[j] - prior[j] - 
                      next[j] - p[j - channels] - p[j + channels]);
			//				限制RGB范围(0~255)			
			//p[j]：当前行当前列元素		
            //prior[j]：上一行当前列元素		
            //next[j]：下一行当前列元素
			// p[j - channels]：上一列像素（不是RGB）   
            //p[j + channels]：下一列像素（不是RGB）

		}
	}

	namedWindow("修改前图像", WINDOW_AUTOSIZE);
	imshow("修改前图像", img);

	namedWindow("修改后图像", WINDOW_AUTOSIZE);
	imshow("修改后图像", New);

	waitKey(0);

	return 0;
}

 3、效果

三、简单的图像边缘检测（调用API）

1、设置卷积核kernel

//1、初始化卷积核
	Mat kernel = (Mat_<char>(3, 3) <<	 0, -1, 0, 
										-1, 4, -1,	
										0, -1, 0);		

2、利用filter()函数进行卷积运算

filter2D(img, New, img.depth(), kernel);			
//			原图，目标图，深度，		卷积核

 3、总代码

//边缘检测
#include <iostream>
#include <opencv2/opencv.hpp>               

using namespace cv;
using namespace std;

Mat img = imread("Resource/Lena.jpg");			//读取图像
int cols = img.cols * img.channels();					//列*通道数
int rows = img.rows;											//行数
int channels = img.channels();								//通道数
Mat New = Mat::zeros(img.size(), img.type());	//创建一张黑色的图

//判断图像是否存在
int JudgeImage()
{
	if (img.empty())
	{
		printf("could not load the image..");
		return -1;
	}
}

//边缘化
void Marginalize()
{
	int i, j;
	const uchar* p;													//原图当前行首地址（暂时无指向）
	const uchar* prior;												//原图上一行首地址（暂时无指向）
	const uchar* next;												//原图下一行首地址（暂时无指向）
	uchar* pNew;														//新图当前行首地址（暂时无指向）

	//按行处理（每行首和尾不做处理）
	for (i = 1; i < rows - 1; i++)
	{
		p = img.ptr<uchar>(i);							//原图当前行首地址
		prior = img.ptr<uchar>(i - 1);					//原图上一行首地址
		next = img.ptr<uchar>(i + 1);					//原图下一行首地址
		pNew = New.ptr<uchar>(i);					//新图当前行首地址
		//按列处理（每列首和尾不做处理）
		for (j = 0 + channels; j <= cols - channels; j++)
		{
			pNew[j] = saturate_cast <uchar>(4 * p[j] - prior[j] - next[j] - p[j - channels] - p[j + channels]);
			//				限制RGB范围(0~255)			
			//p[j]：当前行当前列元素		prior[j]：上一行当前列元素		next[j]：下一行当前列元素
			// p[j - channels]：上一列像素（不是RGB）   p[j + channels]：下一列像素（不是RGB）
		}
	}
}

//打印卷积核
void ShowKernel(Mat kernel)
{
	printf("卷积核：\n");
	//打印卷积核
	for (int i = 0; i < 3; i++)
	{
		for (int j = 0; j < 3; j++)
		{
			printf("%3d", kernel.at<char>(i, j));
		}
		printf("\n");
	}
}

//调用API边缘化
void API_Marginalize()
{
	//1、初始化卷积核
	Mat kernel = (Mat_<char>(3, 3) <<	 0, -1, 0, 
																-1, 4, -1,	
																0, -1, 0);		
	//2、卷积运算
	filter2D(img, New, img.depth(), kernel);			
	//			原图，目标图，深度，		卷积核
	//打印卷积核
	//ShowKernel(kernel);					
}

//显示图像
void Show()
{
	namedWindow("修改前图像", WINDOW_AUTOSIZE);
	imshow("修改前图像", img);

	namedWindow("修改后图像", WINDOW_AUTOSIZE);
	imshow("修改后图像", New);
}

int main()
{
	JudgeImage();			//判断图像是否存在

	//Marginalize();			//边缘化图像

	API_Marginalize();		//调用API边缘化

	Show();							//显示图像

	waitKey(0);

	return 0;
}

 有出错的地方欢迎大家纠错！