【OpenCV教程】滤波和边缘检测的过程

已于 2023-11-18 21:23:02 修改
阅读量1.4k 收藏 2
点赞数 1
文章标签： opencv 计算机视觉 人工智能
于 2023-03-14 13:35:15 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_50791664/article/details/129525004
版权
本文详细介绍了图像处理中的几种滤波方法，包括均值滤波、高斯滤波、中值滤波和高斯双边滤波，以及形态学操作如腐蚀、膨胀和开闭运算。此外，还探讨了Sobel、Scharr和Laplacian算子以及Canny边缘检测算法的应用和效果。这些技术常用于降噪和增强图像的边缘特征。
摘要由CSDN通过智能技术生成

文章目录

1.均值滤波

1.1 卷积核形状

Mat kernal=Mat::ones(Size(ksize,ksize),CV_64F)/(ksize*ksize);

1.2 API

CV_EXPORTS_W void blur( InputArray src, OutputArray dst,
                        Size ksize, Point anchor = Point(-1,-1),
                        int borderType = BORDER_DEFAULT );
  • 参数如下
参数含义
src(source)输入图片
dst(destination)输出图片
ksize(kernal size)卷积核宽高，必须是正奇数
anchor滤波器中心像素位置，取（-1，-1）表示几何中心
borderType边界填充方式，默认为黑边

1.3 效果

Mat xuenai = imread("xuenai.jpg");
imshow("xuenai",xuenai);
Mat xuenai_blur(xuenai.size(),xuenai.type());
blur(xuenai,xuenai_blur,Size(3,5));
imshow("xuenai_blur",xuenai_blur);
waitKet();

2.高斯滤波

2.1 卷积核形状

二维高斯函数表述为：
在这里插入图片描述

对应图形：
在这里插入图片描述

代码实现（不区分sigmaX与sigmaY）

void GetGaussianKernel(Mat kernal, const int ksize,const double sigma)  
{  
    const double PI=4.0*atan(1.0); //圆周率π赋值  
    int center= ksize/2;  
    double sum=0;  
    for(int i=0;i<ksize;i++)  
    {  
        for(int j=0;j<ksize;j++)  
        {  
            kernal.ptr(i,j)=(1/(2*PI*sigma*sigma))*exp(-((i-center)*(i-center)+(j-center)*(j-center))/(2*sigma*sigma));  
            sum+=kernal.ptr(i,j);  
        }  
    }  

    for(int i=0;i<ksize;i++)  
    {  
        for(int j=0;j<ksize;j++)  
        {  
            kernal.ptr(i,j)/=sum;  
        }  
    }  
    return ;  
}

2.2 API

CV_EXPORTS_W void GaussianBlur( InputArray src, OutputArray dst, Size ksize,
                                double sigmaX, double sigmaY = 0,
                                int borderType = BORDER_DEFAULT );
  • 参数如下
参数含义
src(source)输入图片
dst(destination)输出图片
ksize(kernal size)卷积核宽高。如果这个尺寸我们设其为非正数，那么OpenCV会从第五个参数sigmaSpace来计算出它来。
sigmaXx方向上的标准差
sigmaYy方向上的标准差。默认输入量为0，则将其设置为等于sigmaX，如果两个轴的标准差均为0，则根据输入的高斯滤波器尺寸计算标准偏差。
borderType边界填充方式，默认为黑边

2.3 效果

    Mat xuenai = imread("xuenai.jpg");
    imshow("xuenai",xuenai);
    Mat xuenai_Gauss(xuenai.size(),xuenai.type());
    GaussianBlur(xuenai,xuenai_Gauss,Size(-1,-1),10);
    imshow("xuenai_Gauss",xuenai_Gauss);
    waitKet();

3.中值滤波

3.1 原理

取滤波器内的中值作为输出，可以很好的抑制椒盐噪声

3.2 API

CV_EXPORTS_W void medianBlur( InputArray src, OutputArray dst, int ksize );
  • 参数如下
参数含义
src(source)输入图片
dst(destination)输出图片
ksize(kernal size)卷积核边长，必须是正奇数

3.3 效果

    Mat xuenai = imread("xuenai.jpg");
    imshow("xuenai",xuenai);
    Mat xuenai_median(xuenai.size(),xuenai.type());
    medianBlur(xuenai,xuenai_median,5);
    imshow("xuenai_median",xuenai_median);
    waitKet();

4.高斯双边滤波

4.1 原理

双边滤波器的好处是可以做边缘保存（edge preserving），一般用高斯滤波去降噪，会较明显地模糊边缘，对于高频细节的保护效果并不明显。双边滤波器顾名思义比高斯滤波多了一个高斯方差sigma－d，它是基于空间分布的高斯滤波函数，所以在边缘附近，离的较远的像素不会太多影响到边缘上的像素值，这样就保证了边缘附近像素值的保存。但是由于保存了过多的高频信息，对于彩色图像里的高频噪声，双边滤波器不能够干净的滤掉，只能够对于低频信息进行较好的滤波。

4.2 API

CV_EXPORTS_W void bilateralFilter( InputArray src, OutputArray dst, int d,
                                   double sigmaColor, double sigmaSpace,
                                   int borderType = BORDER_DEFAULT );
  • 参数如下
参数含义
src(source)输入图片
dst(destination)输出图片
d卷积核边长。如果这个值我们设其为非正数，那么OpenCV会从第五个参数sigmaSpace来计算出它来。
sigmaColor颜色空间滤波器的sigma值。这个参数的值越大，就表明该像素邻域内有更宽广的颜色会被混合到一起，产生较大的半相等颜色区域。
sigmaSpace坐标空间中滤波器的sigma值，坐标空间的标注方差。他的数值越大，意味着越远的像素会相互影响，从而使更大的区域足够相似的颜色获取相同的颜色。当d>0，卷积核大小已被指定且与sigmaSpace无关。否则，d正比于sigmaSpace。
borderType边界填充方式，默认为黑边

4.3 效果

    Mat xuenai = imread("xuenai.jpg");
    imshow("xuenai",xuenai);
    Mat xuenai_bilateral(xuenai.size(),xuenai.type());
    bilateralFilter(xuenai,xuenai_bilateral,-1,100,10);
    imshow("xuenai_bilateral",xuenai_bilateral);
    waitKet();

5.获取用来形态学操作的滤波器

CV_EXPORTS_W Mat getStructuringElement(int shape, Size ksize, Point anchor = Point(-1,-1));
enum MorphShapes {
    MORPH_RECT    = 0, //!< a rectangular structuring element:  \f[E_{ij}=1\f]
    MORPH_CROSS   = 1, //!< a cross-shaped structuring element:
                       //!< \f[E_{ij} = \begin{cases} 1 & \texttt{if } {i=\texttt{anchor.y } {or } {j=\texttt{anchor.x}}} \\0 & \texttt{otherwise} \end{cases}\f]
    MORPH_ELLIPSE = 2 //!< an elliptic structuring element, that is, a filled ellipse inscribed
                      //!< into the rectangle Rect(0, 0, esize.width, 0.esize.height)
};

shape：滤波器形状

ksize(kernal size)：滤波器大小

anchor：滤波器中心像素位置，取（-1，-1）表示几何中心

6.腐蚀和膨胀（对二值图）

6.1 原理

腐蚀：取滤波器内的最小值作为输出

膨胀：取滤波器内的最大值作为输出

6.2 腐蚀API

CV_EXPORTS_W void erode( InputArray src, OutputArray dst, InputArray kernel,
                         Point anchor = Point(-1,-1), int iterations = 1,
                         int borderType = BORDER_CONSTANT,
                         const Scalar& borderValue = morphologyDefaultBorderValue() );
  • 参数如下
参数含义
src(source)输入图片，尽量是二值图
dst(destination)输出图片
kernal滤波器矩阵
anchor滤波器中心像素位置，取（-1，-1）表示几何中心
iterations执行erode函数的次数，默认执行一次
borderType边界填充方式，默认为黑边
borderValue填充边界的值

6.3 效果

    Mat xuenai = imread("xuenai.jpg");

    Mat xuenai_gray(xuenai.size(),xuenai.type());
    cvtColor(xuenai,xuenai_gray,COLOR_BGR2GRAY);
    Mat xuenai_threshold(xuenai.size(),xuenai.type());
    threshold(xuenai_gray,xuenai_threshold,100,255,THRESH_BINARY);
    imshow("xuenai_threshold",xuenai_threshold);

    Mat kernal=getStructuringElement(MORPH_RECT,Size(3,3));

    Mat xuenai_erode(xuenai.size(),xuenai.type());
    erode(xuenai_threshold,xuenai_erode,kernal);
    imshow("xuenai_erode",xuenai_erode);
    waitKet();

6.4 膨胀API

CV_EXPORTS_W void dilate( InputArray src, OutputArray dst, InputArray kernel,
                          Point anchor = Point(-1,-1), int iterations = 1,
                          int borderType = BORDER_CONSTANT,
                          const Scalar& borderValue = morphologyDefaultBorderValue() );
  • 参数如下
参数含义
src(source)输入图片，尽量是二值图
dst(destination)输出图片
kernal滤波器矩阵
anchor滤波器中心像素位置，取（-1，-1）表示几何中心
iterations执行erode函数的次数，默认执行一次
borderType边界填充方式，默认为黑边
borderValue填充边界的值

6.5 效果

    Mat xuenai = imread("xuenai.jpg");

    Mat xuenai_gray(xuenai.size(),xuenai.type());
    cvtColor(xuenai,xuenai_gray,COLOR_BGR2GRAY);
    Mat xuenai_threshold(xuenai.size(),xuenai.type());
    threshold(xuenai_gray,xuenai_threshold,100,255,THRESH_BINARY);
    imshow("xuenai_threshold",xuenai_threshold);

    Mat kernal=getStructuringElement(MORPH_RECT,Size(3,3));

    Mat xuenai_dilate(xuenai.size(),xuenai.type());
    dilate(xuenai_threshold,xuenai_dilate,kernal);
    imshow("xuenai_dilate",xuenai_dilate);
    waitKet();

7.形态学操作（对二值图）

7.1 API

CV_EXPORTS_W void morphologyEx( InputArray src, OutputArray dst,
                                int op, InputArray kernel,
                                Point anchor = Point(-1,-1), int iterations = 1,
                                int borderType = BORDER_CONSTANT,
                                const Scalar& borderValue = morphologyDefaultBorderValue() );
  • 参数如下
参数含义
src(source)输入图片，尽量是二值图
dst(destination)输出图片
op(option)变换类型
kernal滤波器矩阵
anchor滤波器中心像素位置，取（-1，-1）表示几何中心
iterations执行erode函数的次数，默认执行一次
borderType边界填充方式，默认为黑边
borderValue填充边界的值

7.2 变换类型

enum MorphTypes{
    MORPH_ERODE    = 0, //腐蚀

    MORPH_DILATE   = 1, //膨胀

    MORPH_OPEN     = 2, //开
                        
    MORPH_CLOSE    = 3, //闭
                        
    MORPH_GRADIENT = 4, //形态学梯度
                        
    MORPH_TOPHAT   = 5, //顶帽
                        
    MORPH_BLACKHAT = 6, //黑帽

    MORPH_HITMISS  = 7  //击中击不中变换

};

7.3 开

原理

对输入图片先进行腐蚀，然后进行膨胀。可以用来屏蔽与滤波器大小相当的亮部。

效果

    Mat xuenai = imread("xuenai.jpg");
    Mat xuenai_gray(xuenai.size(),xuenai.type());
    cvtColor(xuenai,xuenai_gray,COLOR_BGR2GRAY);
    Mat xuenai_threshold(xuenai.size(),xuenai.type());
    threshold(xuenai_gray,xuenai_threshold,100,255,THRESH_BINARY);
    imshow("xuenai_threshold",xuenai_threshold);

    Mat kernal=getStructuringElement(MORPH_RECT,Size(3,3));

    Mat xuenai_morphology(xuenai.size(),xuenai.type());
    morphologyEx(xuenai_threshold,xuenai_morphology,MORPH_OPEN,kernal);
    imshow("xuenai_morphology",xuenai_morphology);
    waitKet();

7.4 闭

原理

对输入图片先进行膨胀，然后进行腐蚀。可以用来屏蔽与滤波器大小相当的暗部。

效果

    Mat xuenai = imread("xuenai.jpg");

    Mat xuenai_gray(xuenai.size(),xuenai.type());
    cvtColor(xuenai,xuenai_gray,COLOR_BGR2GRAY);
    Mat xuenai_threshold(xuenai.size(),xuenai.type());
    threshold(xuenai_gray,xuenai_threshold,100,255,THRESH_BINARY);
    imshow("xuenai_threshold",xuenai_threshold);

    Mat kernal=getStructuringElement(MORPH_RECT,Size(3,3));
    
    Mat xuenai_morphology(xuenai.size(),xuenai.type());
    morphologyEx(xuenai_threshold,xuenai_morphology,MORPH_CLOSE,kernal);
    imshow("xuenai_morphology",xuenai_morphology);
    waitKet();

7.5 顶帽

原理

对输入图片先进行开操作，然后原图-开操作图。可以用来提取与滤波器大小相当的亮部。

效果

    Mat xuenai = imread("xuenai.jpg");

    Mat xuenai_gray(xuenai.size(),xuenai.type());
    cvtColor(xuenai,xuenai_gray,COLOR_BGR2GRAY);
    Mat xuenai_threshold(xuenai.size(),xuenai.type());
    threshold(xuenai_gray,xuenai_threshold,100,255,THRESH_BINARY);
    imshow("xuenai_threshold",xuenai_threshold);

    Mat kernal=getStructuringElement(MORPH_RECT,Size(3,3));

    Mat xuenai_morphology(xuenai.size(),xuenai.type());
    morphologyEx(xuenai_threshold,xuenai_morphology,MORPH_TOPHAT,kernal);
    imshow("xuenai_morphology",xuenai_morphology);
    waitKet();

7.6 黑帽

原理

对输入图片先进行闭操作，然后闭操作图-原图。可以用来提取与滤波器大小相当的暗部。

效果

    Mat xuenai = imread("xuenai.jpg");

    Mat xuenai_gray(xuenai.size(),xuenai.type());
    cvtColor(xuenai,xuenai_gray,COLOR_BGR2GRAY);
    Mat xuenai_threshold(xuenai.size(),xuenai.type());
    threshold(xuenai_gray,xuenai_threshold,100,255,THRESH_BINARY);
    imshow("xuenai_threshold",xuenai_threshold);

    Mat kernal=getStructuringElement(MORPH_RECT,Size(3,3));

    Mat xuenai_morphology(xuenai.size(),xuenai.type());
    morphologyEx(xuenai_threshold,xuenai_morphology,MORPH_BLACKHAT,kernal);
    imshow("xuenai_morphology",xuenai_morphology);
    waitKet();

7.7 形态学梯度

原理

膨胀图与腐蚀图之差。可以用来 提取边界轮廓 ，但提取效果比不上专业的边缘检测算法。

效果

    Mat xuenai = imread("xuenai.jpg");

    Mat xuenai_gray(xuenai.size(),xuenai.type());
    cvtColor(xuenai,xuenai_gray,COLOR_BGR2GRAY);
    Mat xuenai_threshold(xuenai.size(),xuenai.type());
    threshold(xuenai_gray,xuenai_threshold,100,255,THRESH_BINARY);
    imshow("xuenai_threshold",xuenai_threshold);

    Mat kernal=getStructuringElement(MORPH_RECT,Size(3,3));

    Mat xuenai_morphology(xuenai.size(),xuenai.type());
    morphologyEx(xuenai_threshold,xuenai_morphology,MORPH_GRADIENT,kernal);
    imshow("xuenai_morphology",xuenai_morphology);
    waitKet();

7.8 击中击不中变换

原理

击中击不中变换由下面三步构成：

用结构元素B1来腐蚀输入图像

用结构元素B2来腐蚀输入图像的补集

前两步结果的与运算

结构元素B1和B2可以结合为一个元素B。例如：

结构元素：左B1（击中元素），中B2（击不中元素），右B（两者结合）

本例中，我们寻找这样一种结构模式，中间像素属于背景，其上下左右属于前景，其余领域像素忽略不计（背景为黑色，前景为白色）。然后用上面的核在输入图像中找这种结构。从下面的输出图像中可以看到，输入图像中只有一个位置满足要求。

输入二值图像

输出二值图像

8.边缘检测：选择合适的输出深度

  • 参照以下表格
int sdepthint ddepth
CV_8UCV_16S/CV_32F/CV_64F
CV_16U/CV_16SCV_32F/CV_64F
CV_32FCV_32F/CV_64F
CV_64FCV_64F

8.1 normalize归一化函数

CV_EXPORTS_W void normalize( InputArray src, InputOutputArray dst, double alpha = 1, double beta = 0,
                             int norm_type = NORM_L2, int dtype = -1, InputArray mask = noArray());
  • 参数如下
参数含义
src(source)输入数组
dst(destination)输出数组
alpha如果norm_type为NORM_MINMAX ，则alpha为最小值或最大值；如果norm_type为其他类型，则为归一化要乘的系数
beta如果norm_type为NORM_MINMAX ，则beta为最小值或最大值；如果norm_type为其他类型，beta被忽略.
norm_type归一化类型，详见下面的内容
iterations执行erode函数的次数，默认执行一次
dtype输出数组的深度，若输入-1则表示与src一致。如果不能判断需要的深度，则可以输入-1然后使用convertScaleAbs绝对值化，这也是最推荐的做法，而不推荐自己判断深度。
mask掩码，用于指示函数是否仅仅对指定的元素进行操作。大小必须与src保持一致。具体用法见8.1.4

归一化类型（只介绍常用的四种）

enum NormTypes {
                NORM_INF       = 1,
                NORM_L1        = 2,
                NORM_L2        = 4,
                NORM_L2SQR     = 5,
                NORM_HAMMING   = 6,
                NORM_HAMMING2  = 7,
                NORM_TYPE_MASK = 7, //!< bit-mask which can be used to separate norm type from norm flags
                NORM_RELATIVE  = 8, //!< flag
                NORM_MINMAX    = 32 //!< flag
};

  • NORM_L1
    在这里插入图片描述

  • NORM_L2
    在这里插入图片描述

  • NORM_INF

在这里插入图片描述

  • NORM_MINMAX(recommended)
    在这里插入图片描述

8.2 convertScaleAbs绝对值化

CV_EXPORTS_W void convertScaleAbs(InputArray src, OutputArray dst,
                                  double alpha = 1, double beta = 0);
  • 参数如下
参数含义
src(source)输入图片
dst(destination)输出图片

9.sobel（对灰度图）

9.1 卷积核形状（ksize=3）

Mat kernalX=Mat_<int>(Size(3,3))<<(-1,0,1
                                    -2,0,2
                                    -1,0,1);
Mat kernalY=Mat_<int>(Size(3,3))<<(-1,-2,1
                                     0,0,0
                                     1,2,1);

9.2 API

CV_EXPORTS_W void Sobel( InputArray src, OutputArray dst, int ddepth,
                         int dx, int dy, int ksize = 3,
                         double scale = 1, double delta = 0,
                         int borderType = BORDER_DEFAULT );
  • 参数如下
参数含义
src(source)输入图片，数据类型Mat
dst(destination)输出图片，数据类型Mat
ddepth(destination depth)输出图片的深度（CV_16F）
dxx方向导数的阶数，一般取1
dyy方向导数的阶数，一般取1
ksize(kernal size)卷积核边长，默认为3
scale生成图与原图的缩放比例，默认为1
delta额外的增量，默认为0
borderType边界填充方式，默认为黑边

9.3 流程

  1. 用cvtColor函数转灰度图
  2. 在x,y方向上分别各调用一次Sobel
  3. 用convertScaleAbs函数转换到CV_8U，否则无法显示
  4. 用addWeighted函数把两张输出图片加在一起

9.4 同时在x,y方向上调用Sobel和分开调用的效果对比

Mat xuenai = imread("xuenai.jpg");
imshow("xuenai", xuenai);

//转灰度图
Mat xuenai_gray(xuenai.size(),xuenai.type());
cvtColor(xuenai,xuenai_gray,COLOR_BGR2GRAY);

//同时在x,y方向上调用Sobel
Mat xuenai_sobel1(xuenai.size(),xuenai.type());
Sobel(xuenai_gray,xuenai_sobel1,CV_16S,1,1,3);
convertScaleAbs(xuenai_sobel1,xuenai_sobel1);
imshow("xuenai_sobel1",xuenai_sobel1);

//在x,y方向上分别各调用一次Sobel
Mat xuenai_xsobel(xuenai.size(),xuenai.type());Mat xuenai_ysobel(xuenai.size(),xuenai.type());Mat xuenai_sobel2(xuenai.size(),xuenai.type());
Sobel(xuenai_gray,xuenai_xsobel,CV_16S,1,0,3);
convertScaleAbs(xuenai_xsobel,xuenai_xsobel);
Sobel(xuenai_gray,xuenai_ysobel,CV_16S,0,1,3);
convertScaleAbs(xuenai_ysobel,xuenai_ysobel);
addWeighted(xuenai_xsobel,0.5,xuenai_ysobel,0.5,0,xuenai_sobel2);
imshow("xuenai_sobel2",xuenai_sobel2);
waitKey();

可以看到效果差了很多

10.scharr（对灰度图）

10.1 卷积核形状（ksize恒定为3）

虽然Sobel算子可以有效的提取图像边缘，但是对图像中较弱的边缘提取效果较差。因此为了能够有效的提取出较弱的边缘，需要将像素值间的差距增大，因此引入Scharr算子。Scharr算子是对Sobel算子差异性的增强，因此两者之间的在检测图像边缘的原理和使用方式上相同。

Mat kernalX=Mat_<int>(Size(3,3))<<(-3,0,3
                                    -10,0,10
                                    -3,0,3);
Mat kernalY=Mat_<int>(Size(3,3))<<(-3,-10,3
                                     0,0,0
                                     3,10,3);

10.2 API

CV_EXPORTS_W void Scharr( InputArray src, OutputArray dst, int ddepth,
                          int dx, int dy, double scale = 1, double delta = 0,
                          int borderType = BORDER_DEFAULT );
  • 参数如下
参数含义
src(source)输入图片，数据类型Mat
dst(destination)输出图片，数据类型Mat
ddepth(destination depth)输出图片的深度（CV_16F）
dxx方向导数的阶数，一般取1
dyy方向导数的阶数，一般取1
scale生成图与原图的缩放比例，默认为1
delta额外的增量，默认为0
borderType边界填充方式，默认为黑边

10.3 流程

  1. 用cvtColor函数转灰度图
  2. 在x,y方向上分别各调用一次Scharr
  3. 用convertScaleAbs函数转换到CV_8U，否则无法显示
  4. 用addWeighted函数把两张输出图片加在一起

11.Laplacian（对灰度图）

11.1 卷积核形状（ksize=3）

Mat kernal=Mat_<int>(Size(3,3))<<(0,-1,0
                                   -1,4,-1
                                   0,-1,0);

Laplacian算子的卷积核形状决定了它 对噪声非常敏感 ，因此，通常需要通过 滤波平滑处理 。

11.2 API

CV_EXPORTS_W void Laplacian( InputArray src, OutputArray dst, int ddepth,
                             int ksize = 1, double scale = 1, double delta = 0,
                             int borderType = BORDER_DEFAULT );
  • 参数如下
参数含义
src(source)输入图片，数据类型Mat
dst(destination)输出图片，数据类型Mat
ddepth(destination depth)输出图片的深度（CV_16F）
scale生成图与原图的缩放比例，默认为1
delta额外的增量，默认为0
borderType边界填充方式，默认为黑边

11.3 流程

  1. 用中值滤波等操作平滑处理
  2. 用cvtColor函数转灰度图
  3. 用Laplacian函数处理
  4. 用convertScaleAbs函数转换到CV_8U，否则无法显示

12.Canny（recommended）

12.1 API

CV_EXPORTS_W void Canny( InputArray image, OutputArray edges,
                         double threshold1, double threshold2,
                         int apertureSize = 3, bool L2gradient = false );
  • 参数如下
参数含义
image输入图片，数据类型Mat
edges输出图片，数据类型Mat
threshold1最小阈值
threshold2最大阈值
apertureSizeSobel卷积核的大小，默认为3。 核越大，对噪声越不敏感，但是边缘检测的错误也会随之增加
L2gradient计算图像梯度幅度的标识，默认为false，表示L1范数（直接将两个方向的导数的绝对值相加）。如果使用true，表示L2范数（两个方向的导数的平方和再开方）
  • 高于threshold2被认为是真边界，低于threshold1被抛弃，介于二者之间，则取决于是否与真边界相连。

12.2 流程

  1. 用中值滤波等操作平滑处理
  2. 用Canny函数处理 （不支持原地运算）

12.3 效果

    Mat xuenai = imread("xuenai.jpg");
    imshow("xuenai",xuenai);

    Mat xuenai_canny(xuenai.size(),xuenai.type());
    Canny(xuenai,xuenai_canny,60,150);
    imshow("xuenai_canny",xuenai_canny);
    waitKet();

13.添加噪声

为了检测算法的稳定性，常常需要在图片中人为地添加一些噪声来进行检验。

13.1 椒盐噪声

static void addSaltNoise(const Mat& src,Mat& dst,int num=1000)
{
    dst=src.clone();
    for (int k = 0; k < num; k++)
    {
        //随机取值行列，得到像素点(i,j)
        int i = rand() % dst.rows;
        int j = rand() % dst.cols;
        //修改像素点(i,j)的像素值
        for(int channel=0;channel<src.channels();channel++){
            dst.ptr(i,j)[channel]=255;
        }
    }
    for (int k = 0; k < num; k++)
    {
        //随机取值行列
        default_random_engine engine;
        uniform_int_distribution<unsigned>u(0,10000);
        int i = rand() % dst.rows;
        int j = rand() % dst.cols;
        //修改像素点(i,j)的像素值
        for(int channel=0;channel<src.channels();channel++){
            dst.ptr(i,j)[channel]=0;
        }
    }
    return;
}

src(source)：输入图片
dst(destination)：输出图片
num(number)：噪声的个数

13.2 高斯噪声

static void addGaussianNoise(const Mat& src,Mat& dst,InputArray meanValue=10,InputArray std=36){
    dst=src.clone();
    //构造高斯噪声矩阵
    Mat noise(dst.size(),dst.type());
    RNG rng(time(NULL));
    rng.fill(noise, RNG::NORMAL, meanValue, std);
    //将高斯噪声矩阵与原图像叠加得到含噪图像
    dst+=noise;
    return ;
}

src(source)：输入图片
dst(destination)：输出图片
meanValue：高斯函数均值
std(standard deviation)：高斯函数标准差

随机数填充矩阵

void RNG::fill( InputOutputArray mat, int distType, InputArray a, InputArray b, bool saturateRange = false );
  • 参数如下
参数含义
mat输入输出矩阵，最多支持4通道，超过4通道先用reshape()改变结构
distType(distination type)可选UNIFORM 或 NORMAL，分别表示均匀分布和高斯分布
adisType是UNIFORM,a表示下界(闭区间)；disType是NORMAL,a表示均值
bdisType是UNIFORM,b表示上界(开区间)；disType是NORMAL,b表示标准差
saturateRange只针对均匀分布有效。当为真的时候，会先把产生随机数的范围变换到数据类型的范围，再产生随机数；如果为假，会先产生随机数，再进行截断到数据类型的有效区间。
UnderTurrets
关注
12 -- OpenCV学习—边缘检测
衍生星球的博客
04-08 1671
1.边缘检测 边缘检测是图像处理和计算机视觉中的基本问题，边缘检测的目的是标识数字图像中亮度变化明显，图像属性中的显著变化通常反映了属性的重要事件和变化。 图像边缘检测大幅度地减少了数据量，并且剔除了可以认为不相关的信息，保留了图像重要的结构属性。有许多方法用于边缘检测，它们的绝大部分可以划分为两类：基于搜索和基于零穿越。 基于搜索：通过寻找图像一阶导数中的最大值来检测边界，然后利用计算结果估计边缘的局部方向，通常采用梯度的方向，并利用此方向找到局部梯度模的最大值，代表算法是Sobel算子和Scharr
java-opencv边缘检测
expisecm的博客
07-22 534
安装opencv 导入jar包 jar包在opencv\build\java目录里，dll文件在opencv\build\java\64x目录里
OpenCV探索之路（六）：边缘检测（canny、sobel、laplacian）
weixin_34220623的博客
05-19 262
边缘检测的一般步骤： 滤波——消除噪声 增强——使边界轮廓更加明显 检测——选出边缘点 Canny算法 Canny边缘检测算法被很多人推崇为当今最优秀的边缘检测算法，所以我们第一个就介绍他。 opencv中提供了Canny函数。 #include&lt;opencv2\opencv.hpp&gt; #include&lt;opencv2\highgui\highgui.hpp&gt; ...
OPenCV高级编程——OpenCV图像滤波技术详解与示例
最新发布
J^T的博客
08-01 1243
在图像处理领域，滤波是一项基本且重要的技术，用于改善图像质量、去除噪声、增强边缘等。OpenCV作为一个强大的计算机视觉库，提供了多种图像滤波技术，包括线性滤波和非线性滤波。本文将详细介绍OpenCV中的图像滤波技术，包括相关类和函数的用法，并通过示例代码展示其应用。
opencv边缘滤波
weixin_30342209的博客
03-04 97
2018-03-0422:16:11 import cv2 as cv import numpy as np def bi_demo (image): print ("ceshi") dst = cv.bilateralFilter(image,0,100,15) cv.imshow("bi_demo",dst) def shift_demo(imag...
【openCV边缘检测】用传统方法实现边缘检测（三）滤波降噪
weixin_40389065的博客
12-08 291
Gitee地址：https://gitee.com/jzhou955/edge_detection.git 欢迎star or fork。 项目需求 检测图片中特定部分的轮廓。 但是在识别轮廓的过程中我发现，处理后的照片有非常多的噪声干扰，使得结果图片的质量非常差。这就需要我们在提取轮廓之前，提取轮廓过程中以及提取轮廓之后，对图片做一系列的滤波降噪处理。 ...
opencv中值滤波及边缘检测程序
08-29
在图像处理过程中，运用opencv能够较为简单的解决图像裁剪和平滑等操作，资源中分享代码
基于opencv图像处理算法实现车道线检测python源码(含图像预处理、滤波、边缘检测、霍夫直线检测、直线拟合等).zip
06-06
基于opencv图像处理算法实现车道线检测python源码(含图像预处理、滤波、边缘检测、霍夫直线检测、直线拟合等).zip基于opencv图像处理算法实现车道线检测python源码(含图像预处理、滤波、边缘检测、霍夫直线检测、...
使用OpenCV与Qt写的一个图像处理工具，灰度化，均值滤波，边缘检测
03-29
总之，结合OpenCV的图像处理能力与Qt的用户界面设计，我们可以创建出一款实用的图像处理软件，帮助用户进行灰度化、滤波和边缘检测等任务。这样的工具对于研究人员、开发者以及对计算机视觉感兴趣的爱好者来说都是...
滤波和边缘检测.docx
06-12
【图像处理】与【计算机视觉】领域的实验报告探讨了滤波和边缘检测技术，这是图像分析和理解的基础。实验在Windows 10系统上进行，使用Qt+OpenCV软件环境。图像常常受到椒盐噪声（盐噪声即高灰度噪声，椒噪声即低...
滤波和边缘检测.pdf
06-01
总的来说，这个实验提供了深入理解图像处理中滤波和边缘检测概念的机会，通过实践加深理论知识，对于提升学生的计算机视觉技能至关重要。在实际应用中，选择合适的滤波器和边缘检测算法对图像分析的准确性和效率有着...
opencv边缘检测的算法代码实现
12-24
学习opencv中的一段为嘛经过补充完整之后可以运行了。。参数可以自行更改查看效果
OpenCV自己实现的高斯滤波，sobel边缘检测
05-20
基于OpenCV自己实现的高斯滤波，Sobel边缘检测，3通道图像分离，彩色图转灰度图，高斯滤波比OpenCV自带的GaussBlur要慢，仅作为理解原理学习之用。工程建议尽量用用OpenCV自带的函数。
OpenCV：边缘检测算法
热门推荐
Vermont_的博客
09-07 1万+
边缘检测（英语：Edge detection）是图像处理和计算机视觉中的基本问题，边缘检测的目的是标识数字图像中亮度变化明显的点。图像属性中的显著变化通常反映了属性的重要事件和变化。这些包括（i）深度上的不连续、（ii）表面方向不连续、（iii）物质属性变化和（iv）场景照明变化。 边缘检测是图像处理和计算机视觉中，尤其是特征检测中的一个研究领域。 1 边缘检测的基本原理 图像边缘是图像最基本的特征，所谓边缘(Edge) 是指图像局部特性的不连续性。灰度或结构等信息的突变处称之为边缘。例如，灰度级的突变
基于opencv的边缘检测方法
weixin_44343355的博客
03-20 4735
介绍6种基于opencv的边缘检测的方法
【OpenCV学习】第14课:边缘检测与自定义线性滤波(卷积， Rebert算子， Sobel算子， 拉普拉斯算子)
书生的博客
12-11 807
参考文章：http://t.zoukankan.com/whw1314-p-12007928.html。常见的卷积算子(kernel, 核), 这些算子在边缘提取中都经常用到。在图像上使用卷积的目的：模糊图像， 提取边缘轮廓， 图像锐化等。
图像滤波之边界处理方式（opencv）
TJC3014583925的博客
03-27 6107
BORDER_DEFAULT（边界默认）openCV中默认的处理方法，自动填充图像边界（效果像是映像一样）。 BORDER_CONSTANT – （边界常数）填充边缘用指定像素值，使用常数填充边界,不一定是0或者RGB黑色。 BORDER_REPLICATE – （边界复制）填充边缘像素用已知的边缘像素值，复制原图中最临近的行或者列。 BORDER_WRAP – （边界包装）用另外一边的像素来补...
canny java_Canny边缘检测算法（基于OpenCV的Java实现）
weixin_28698129的博客
02-12 720
Canny边缘检测算法(基于OpenCV的Java实现)绪论最近在学习ORB的过程中又仔细学习了Canny，故写下此篇笔记，以作总结。Canny边缘检测算法的发展历史Canny边缘检测于1986年由JOHN CANNY首次在论文《A Computational Approach to Edge Detection》中提出，就此拉开了Canny边缘检测算法的序幕。Canny边缘检测是从不同视觉对象中...
OpenCV—边缘保留滤波（EPF）
Ms_X_Zi的博客
07-08 2065
高斯双边滤波 前文提到的高斯模糊只考虑了像素空间的分布，而没有考虑差异问题。下图十分形象的说明了边缘保留滤波的原理。一张黑白分明存在噪声的图片通过高斯滤波保留边缘将二者区分开来。 代码解析： # 边缘保留滤波(EPF) # 高斯双边滤波 def bilateral_demo(img): dst = cv.bilateralFilter(src=img, d=0, sigmaC...
OpenCV图像处理：中值滤波与均值滤波在边缘检测中的应用
"本文主要介绍如何使用OpenCV库进行中值滤波和均值滤波，以及相关的边缘检测和角点检测技术。示例代码包括了图像处理的基本操作，如读取图像、显示图像，以及调用不同滤波器函数进行处理。" 在计算机视觉领域，图像...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

UnderTurrets

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值