文章目录
前言
线性滤波用于去噪、平滑、边缘检测等操作。通过定义卷积核(算子)与图像进行卷积,线性滤波器可以有效地提取图像中的特定特征。本文将介绍几种常见的边缘检测算子,包括 Robert算子、Sobel 算子和拉普拉斯算子,并展示如何在 OpenCV 中实现这些滤波器的自定义操作。将提供完整的代码,以便学习使用。
1.理论基础
线性滤波是通过卷积操作实现的。在图像处理中,卷积是指使用一个小的滤波器(也称为卷积核或算子)在图像上移动,将核内的像素值进行加权平均,从而生成新的图像像素值。滤波器可以设计成不同的形状和大小,以实现不同的图像处理效果。
下面是卷积操作的动态过程,可以直观理解卷积:
(1)Roberts 算子 (Roberts Operator)
Roberts 算子是一种简单的边缘检测算子,通过计算图像的水平和垂直方向的差分来检测边缘。它使用两个 2x2 的卷积核来计算梯度的近似值,通常用于检测图像的斜边和锐利的边缘。
水平方向(Roberts X) 垂直方向(Roberts Y):
(2)Sobel 算子 (Sobel Operator)
Sobel 算子是一种一阶导数滤波器,用于检测图像中的边缘。分别计算图像在水平方向和垂直方向上的梯度,通常用于边缘检测。相比 Roberts 算子,Sobel 算子更适合于检测大规模的边缘和平滑噪声。
(3)拉普拉斯算子 (Laplacian Operator)
拉普拉斯算子是一种二阶导数滤波器,用于检测图像中的边缘和细节。它通过计算图像的二阶导数来突出灰度变化较大的区域。
2.代码实现
图片下载链接实验图片链接lena.png
(1)Roberts 算子
Roberts 算子通过计算图像在水平方向和垂直方向的梯度来突出边缘特征,最终在两个窗口中显示使用 Roberts_X 和 Roberts_Y 核滤波后的结果。
/****************************Roberts算子***********************************/
// 定义Roberts算子核
Mat Roberts_X = (Mat_<int>(2, 2) << 1, 0, 0, -1);
Mat Roberts_Y = (Mat_<int>(2, 2) << 0, 1, -1, 0);
//应用Roberts算子
Mat Roberts_XFiltered, Roberts_YFiltered, RobertsGradient;
filter2D(image, Roberts_XFiltered, -1, Roberts_X);
filter2D(image, Roberts_YFiltered, -1, Roberts_Y);
cv::imshow("Roberts_X", Roberts_XFiltered);
cv::imshow("Roberts_Y", Roberts_YFiltered);
Roberts 算子结果:
(2)Sobel 算子
Sobel(image, sobelX, -1, 1, 0, 3);
ddepth=-1
:输出图像的深度将与输入图像保持一致。dx = 1
:表示计算图像在 x 方向上的一阶导数,即水平梯度。dy = 0
:表示在 y 方向上不计算导数。ksize = 3
:使用 3x3 的 Sobel 核进行卷积操作。
/****************************Sobel 算子***********************************/
// 定义Sobel X算子和Sobel Y算子
Mat sobelX, sobelY;
Sobel(image, sobelX, -1, 1, 0, 3); // 水平方向
Sobel(image, sobelY, -1, 0, 1, 3); // 垂直方向
// 显示结果
cv::imshow("Sobel X Image", sobelX);
cv::imshow("Sobel Y Image", sobelY);
Sobel 算子结果:
(3)拉普拉斯算子
一个 3x3 的拉普拉斯算子核,应用于图像以检测边缘。通过 filter2D
函数将该算子核与输入图像进行卷积,可以突出显示图像中的边缘和细节。
/****************************拉普拉斯算子***********************************/
// 定义3x3拉普拉斯算子
Mat laplacianKernel = (Mat_<int>(3, 3) << 0, -1, 0, -1, 4, -1, 0, -1, 0);
Mat laplacianFiltered;
filter2D(image, laplacianFiltered, -1, laplacianKernel);
cv::imshow("Laplacian Filtered Image", laplacianFiltered);
拉普拉斯算子结果:
3.完整代码
#include<opencv2/opencv.hpp>
#include<highgui.hpp>
using namespace cv;
using namespace std;
void linear_filtering()
{
cv::Mat image;
image = imread("lena.png");
if (image.empty()) {
printf("could not find the image...\n");
return;
}
namedWindow("input image", cv::WINDOW_AUTOSIZE);
cv::imshow("input image", image);
/**********************Roberts算子*******************************/
// 定义Roberts算子核
Mat Roberts_X = (Mat_<int>(2, 2) << 1, 0, 0, -1);
Mat Roberts_Y = (Mat_<int>(2, 2) << 0, 1, -1, 0);
//应用Roberts算子
Mat Roberts_XFiltered, Roberts_YFiltered, RobertsGradient;
filter2D(image, Roberts_XFiltered, -1, Roberts_X);
filter2D(image, Roberts_YFiltered, -1, Roberts_Y);
cv::imshow("Roberts_X", Roberts_XFiltered);
cv::imshow("Roberts_Y", Roberts_YFiltered);
/****************************Sobel算子***************************/
// 定义Sobel X算子和Sobel Y算子
Mat sobelX, sobelY;
Sobel(image, sobelX, -1, 1, 0, 3); // 水平方向
Sobel(image, sobelY, -1, 0, 1, 3); // 垂直方向
// 显示结果
cv::imshow("Sobel X Image", sobelX);
cv::imshow("Sobel Y Image", sobelY);
/************************拉普拉斯算子***************************/
// 定义3x3拉普拉斯算子
Mat laplacianKernel = (Mat_<int>(3, 3) << 0, -1, 0, -1, 4, -1, 0, -1, 0);
Mat laplacianFiltered;
filter2D(image, laplacianFiltered, -1, laplacianKernel);
cv::imshow("Laplacian Filtered Image", laplacianFiltered);
waitKey(0);
}
int main()
{
linear_filtering();
return 0;
}