OpenCV 使用自定义线性滤波比较Robert、Sobel、拉普拉斯算子

最新推荐文章于 2024-08-12 21:18:25 发布

程序员老舅

最新推荐文章于 2024-08-12 21:18:25 发布

阅读量387

点赞数

分类专栏： Qt开发文章标签： opencv 计算机视觉图像处理 C/C++ qt开发

本文链接：https://blog.csdn.net/m0_60259116/article/details/128976754

版权

Qt开发专栏收录该内容

643 篇文章 261 订阅

订阅专栏

1、概述

　　案例：利用OpenCV提供的filter2D自定义线性滤波对Robert、Sobel、拉普拉斯算子进行比较

filter2D方法filter2D(
　　Mat src, //输入图像
　　Mat dst, // 模糊图像
　　int depth, // 图像深度32/8
　　Mat kernel, // 卷积核/模板
　　Point anchor, // 锚点位置
　　double delta // 计算出来的像素+delta
)

ps：

　　　　1.会使用robert计算x、y方向及xy合并后的梯度

　　　　2.会使用sobel计算x、y方向及xy合并后的图像梯度

　　　　3.会使用拉普拉斯算子计算图像梯度

　　常用的算子如下图所示：

2、代码示例

2.1、计算robert的x、y算子的梯度图像，计算sobel的x、y算子的梯度图像，计算拉普拉斯算子的梯度图像　

Mat src = imread(filePath);//原图
    Mat dst;
    imshow("src",src);
    Mat  kernel_robert_x = (Mat_<int>(2,2) << 1,0,0,-1);//robert x方向算子
    filter2D(src,dst,-1,kernel_robert_x,Point(-1,-1),0);//自定义线性滤波
    imshow("kernel_robert_x",dst);

    Mat kernel_robert_y = (Mat_<int>(2,2) << 0,1,-1,0);//robert y方向上算子
    filter2D(src,dst,-1,kernel_robert_y,Point(-1,-1),0);//自定义线性滤波
    imshow("kernel_robert_y",dst);


    Mat kernel_sobel_x = (Mat_<int>(3,3) << -1,0,1,-2,0,2,-1,0,1);//sobel x方向上算子
    filter2D(src,dst,-1,kernel_sobel_x,Point(-1,-1),0);//自定义线性滤波
    imshow("kernel_sobel_x",dst);


    Mat kernel_sobel_y = (Mat_<int>(3,3) << -1,-2,-1,0,0,0,1,2,1);//sobel y方向上算子
    filter2D(src,dst,-1,kernel_sobel_y,Point(-1,-1),0);//自定义线性滤波
    imshow("kernel_sobel_y",dst);

    Mat kernel = (Mat_<int>(3,3) << 0,-1,0,-1,4,-1,0,-1,0);//拉普拉斯算子
    filter2D(src,dst,-1,kernel,Point(-1,-1),0);//自定义线性滤波
    imshow("kernel",dst);

2.2、比较rebort的x、y及xy合并后的梯度图像，比较sobel的x、y及xy合并后的梯度图像

Mat src = imread(filePath);
     Mat dst_robert_x;
     Mat dst_robert_y;
     imshow("src",src);
     Mat  kernel_robert_x = (Mat_<int>(2,2) << 1,0,0,-1);//robert x方向算子
     filter2D(src,dst_robert_x,-1,kernel_robert_x,Point(-1,-1),0);//自定义线性滤波
     imshow("dst_robert_x",dst_robert_x);

     Mat kernel_robert_y = (Mat_<int>(2,2) << 0,1,-1,0);//robert y方向上算子
     filter2D(src,dst_robert_y,-1,kernel_robert_y,Point(-1,-1),0);//自定义线性滤波
     imshow("dst_robert_y",dst_robert_y);

     //合并
     Mat dst_robert_result;
     addWeighted(dst_robert_x,0.5,dst_robert_y,0.5,1,dst_robert_result);//对图像进行平均权重相加得到一个完整的用robert计算的梯度图像
     imshow("dst_robert_result",dst_robert_result);

     Mat dst_sobel_x;
     Mat dst_sobel_y;
     Mat kernel_sobel_x = (Mat_<int>(3,3) << -1,0,1,-2,0,2,-1,0,1);//sobel x方向上算子
     filter2D(src,dst_sobel_x,-1,kernel_sobel_x,Point(-1,-1),0);//自定义线性滤波
     imshow("dst_sobel_x",dst_sobel_x);


     Mat kernel_sobel_y = (Mat_<int>(3,3) << -1,-2,-1,0,0,0,1,2,1);//sobel y方向上算子
     filter2D(src,dst_sobel_y,-1,kernel_sobel_y,Point(-1,-1),0);//自定义线性滤波
     imshow("dst_sobel_y",dst_sobel_y);

     //合并
     Mat dst_sobel_result;
     addWeighted(dst_sobel_x,0.5,dst_sobel_y,0.5,1,dst_sobel_result);//对图像进行平均权重相加得到一个用sobel算子计算的梯度图像
     imshow("dst_sobel_result",dst_sobel_result);