[Learning OpenCV入门 3]OpenCV的图像变换

最新推荐文章于 2019-10-27 16:11:32 发布
最新推荐文章于 2019-10-27 16:11:32 发布
阅读量973 收藏
点赞数
分类专栏： OpenCV学习入门 我的C/C++入门
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/u010369450/article/details/51832618
版权

在Hough检测一章中出现了代码验证出错问题，由于进度原因在此只贴出另外一个相关的链接，后期修复好程序的Bug后再将具体内容贴上详情文章及代码请查阅轮廓，直线圆的拟合

边缘检测

Canny边缘检测


查阅函数可得原型

CV_EXPORTS_W void Canny( InputArray image, OutputArray edges,
                         double threshold1, double threshold2,
                         int apertureSize = 3, bool L2gradient = false );
由图片可知Canny算子为双阈第五个参数也就是孔径大小尺寸

在OpenCV2中可以允许直接进行自操作

比如说Canny(srcImage,srImage,150,100,3);

但是在OpenCV3中废除了这一做法，常用的做法为

1，转换为灰度图

2，进行滤波操作（去噪）

3，运行Canny得到边缘edge

4,   将edge作为掩模拷贝到原始图像上

#include "stdafx.h"
#include<opencv2/opencv.hpp>

using namespace cv;
using namespace std;
int _tmain(int argc, _TCHAR* argv[])
{
	/*
	读取图像
	颜色空间转换
	滤波
	采用Canny进行检测
	*/
	Mat src = imread("1.jpg");
	Mat src1 = src.clone();
	imshow("原始图", src);
	Mat dst, edge, gray;
	//创造一个一样尺寸的Mat类型的dst
	dst.create(src1.size(), src1.type());
	//将图像转化为灰度图
	cvtColor(src1, gray, COLOR_BGR2GRAY);
	//降噪
	blur(gray, edge, Size(3, 3));
	//运行Canny
	Canny(edge, edge, 3, 9, 3);
	//将g_dstImage内所有元素置0
	dst = Scalar::all(0);
	//将Canny算子输出的边缘图作为掩码拷贝到原图中
	imshow("边缘",edge);
	src1.copyTo(dst, edge);
	//clone和copyTo都是实现矩阵的拷贝
	//void copyTo( OutputArray m, InputArray mask ) const;
	imshow("Canny检测", dst);

	waitKey(0);
	return 0;
}

Sobel

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 );
第三个参数:输出图像的深度

第四个参数:x方向上的差分阶数
第五个参数:y方向上的差分阶数

第六个参数:Sobel核大小，只能取1,3,5或7

Sobel程序实例

#include<opencv2/opencv.hpp>
#include<iostream>
using namespace std;
using namespace cv;
int main()
{
	Mat grad_x, grad_y;
	Mat abs_grad_x, abs_grad_y, dst;
	//ConvertScaleAbs使用线性变换转换输入数组元素成8位无符号整型。
	//内核大小为3时，Sobel内核可能产生明显的误差，提供了Scharr函数，结果更加精确
	/*
	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 );
	The function computes the first x- or y- spatial image derivative using the Scharr operator. The
	call
	@brief Calculates the first x- or y- image derivative using Scharr operator.

	\f[\texttt{Scharr(src, dst, ddepth, dx, dy, scale, delta, borderType)}\f]

	is equivalent to

	\f[\texttt{Sobel(src, dst, ddepth, dx, dy, CV\_SCHARR, scale, delta, borderType)} .\f]

	@param src input image.
	@param dst output image of the same size and the same number of channels as src.
	@param ddepth output image depth, see @ref filter_depths "combinations"
	@param dx order of the derivative x.
	@param dy order of the derivative y.
	@param scale optional scale factor for the computed derivative values; by default, no scaling is
	applied (see getDerivKernels for details).
	@param delta optional delta value that is added to the results prior to storing them in dst.
	@param borderType pixel extrapolation method, see cv::BorderTypes
	@sa  cartToPolar
	*/

	//【1】载入原始图  
	Mat src = imread("1.jpg");  //工程目录下应该有一张名为1.jpg的素材图

	//【2】显示原始图 
	imshow("【原始图】sobel边缘检测", src);

	//【3】求 X方向梯度
	Sobel(src, grad_x, CV_16S, 1, 0, 3, 1, 1, BORDER_DEFAULT);
	convertScaleAbs(grad_x, abs_grad_x);
	imshow("【效果图】 X方向Sobel", abs_grad_x);

	//【4】求Y方向梯度
	Sobel(src, grad_y, CV_16S, 0, 1, 3, 1, 1, BORDER_DEFAULT);
	convertScaleAbs(grad_y, abs_grad_y);
	imshow("【效果图】Y方向Sobel", abs_grad_y);

	//【5】合并梯度(近似)
	addWeighted(abs_grad_x, 0.5, abs_grad_y, 0.5, 0, dst);
	imshow("【效果图】整体方向Sobel", dst);
	waitKey(0);
	return 0;
}

拉普拉斯变换

二阶微分算子，定义为梯度的散度

	Mat src,src_gray,dst1;
	GaussianBlur(src, src, Size(3, 3), 0, 0, BORDER_DEFAULT);
	cvtColor(src, src_gray, COLOR_RGB2GRAY);
	Laplacian(src_gray, dst1, CV_16S, 3, 1, 0, BORDER_DEFAULT);
	convertScaleAbs(dst1, dst1);
	imshow("拉普拉斯", dst1);

综合实例


/*
-----------程序实现功能-----------------
编写函数功能：
依附滚动条的Canny,Sobel边缘检测
Scharr滤波器应用于图片上面
*/

/*
函数回忆
createTrackbar()函数
需要参数：依附哪个窗口，设定滑动条范围及初始位置，响应函数
CV_EXPORTS int createTrackbar(const String& trackbarname, const String& winname,
int* value, int count,
TrackbarCallback onChange = 0,
void* userdata = 0);
TrackbarCallback即执行主程序
*/

/*
三个检测算子的参数定义
CV_EXPORTS_W void Canny( InputArray image, OutputArray edges,
double threshold1, double threshold2,
int apertureSize = 3, bool L2gradient = false );
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 );
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 );
*/

#include<opencv2/opencv.hpp>
#include<iostream>

using namespace cv;
using namespace std;
Mat g_srcImage, g_srcGrayImage, g_dstImage;

//Canny边缘检测相关变量
/*
CV_EXPORTS_W void Canny( InputArray image, OutputArray edges,
double threshold1, double threshold2,
int apertureSize = 3, bool L2gradient = false );
*/
Mat g_cannyDetectedEdges;
int g_cannyLowThreshold = 1;//TrackBar位置参数  

//Sobel边缘检测相关变量
Mat g_sobelGradient_X, g_sobelGradient_Y;
Mat g_sobelAbsGradient_X, g_sobelAbsGradient_Y;
int g_sobelKernelSize = 1;//TrackBar位置参数  

//Scharr滤波器相关变量
Mat g_scharrGradient_X, g_scharrGradient_Y;
Mat g_scharrAbsGradient_X, g_scharrAbsGradient_Y;


//-----------------------------------【全局函数声明部分】--------------------------------------
//		描述：全局函数声明
//-----------------------------------------------------------------------------------------------
static void on_Canny(int, void*);//Canny边缘检测窗口滚动条的回调函数
static void on_Sobel(int, void*);//Sobel边缘检测窗口滚动条的回调函数
void Scharr();//封装了Scharr边缘检测相关代码的函数
void ProgramMessage();

int main()
{
	system("color 2F");
	ProgramMessage();
	//载入原图
	g_srcImage = imread("1.jpg");
	if (!g_srcImage.data) { printf("Oh，no，读取srcImage错误~！ \n"); return false; }

	//显示原始图
	namedWindow("【原始图】");
	imshow("【原始图】", g_srcImage);

	// 创建与src同类型和大小的矩阵(dst)
	g_dstImage.create(g_srcImage.size(), g_srcImage.type());

	// 将原图像转换为灰度图像
	cvtColor(g_srcImage, g_srcGrayImage, COLOR_BGR2GRAY);

	// 创建显示窗口
	namedWindow("【效果图】Canny边缘检测", WINDOW_AUTOSIZE);
	namedWindow("【效果图】Sobel边缘检测", WINDOW_AUTOSIZE);

	// 创建trackbar
	createTrackbar("Canny：", "【效果图】Canny边缘检测", &g_cannyLowThreshold, 120, on_Canny);
	createTrackbar("Sobel：", "【效果图】Sobel边缘检测", &g_sobelKernelSize, 3, on_Sobel);

	// 调用回调函数
	on_Canny(0, 0);
	on_Sobel(0, 0);

	//调用封装了Scharr边缘检测代码的函数
	Scharr();

	waitKey(0);
	return 0;
}
void ProgramMessage()
{
	cout << "\n\n\n\t\t-------------------程序实现功能-------------------" << endl;
	cout << "\n\n\n\t\t依附滚动条的Canny,Sobel边缘检测,Scharr滤波器边缘检测" << endl;
	cout << "\n\n\n\t\tCanny算子的双阈值中高阈值为低阈值的三倍" << endl;
}

//-----------------------------------【on_Canny( )函数】----------------------------------
//		描述：Canny边缘检测窗口滚动条的回调函数
//-----------------------------------------------------------------------------------------------
void on_Canny(int, void*)
{
	// 先使用 3x3内核来降噪
	blur(g_srcGrayImage, g_cannyDetectedEdges, Size(3, 3));

	// 运行我们的Canny算子
	Canny(g_cannyDetectedEdges, g_cannyDetectedEdges, g_cannyLowThreshold, g_cannyLowThreshold * 3, 3);

	//先将g_dstImage内的所有元素设置为0 
	g_dstImage = Scalar::all(0);

	//使用Canny算子输出的边缘图g_cannyDetectedEdges作为掩码，来将原图g_srcImage拷到目标图g_dstImage中
	g_srcImage.copyTo(g_dstImage, g_cannyDetectedEdges);

	//显示效果图
	imshow("【效果图】Canny边缘检测", g_dstImage);
}



//-----------------------------------【on_Sobel( )函数】----------------------------------
//		描述：Sobel边缘检测窗口滚动条的回调函数
//-----------------------------------------------------------------------------------------
void on_Sobel(int, void*)
{
	// 求 X方向梯度
	Sobel(g_srcImage, g_sobelGradient_X, CV_16S, 1, 0, (2 * g_sobelKernelSize + 1), 1, 1, BORDER_DEFAULT);
	convertScaleAbs(g_sobelGradient_X, g_sobelAbsGradient_X);//计算绝对值，并将结果转换成8位

	// 求Y方向梯度
	Sobel(g_srcImage, g_sobelGradient_Y, CV_16S, 0, 1, (2 * g_sobelKernelSize + 1), 1, 1, BORDER_DEFAULT);
	convertScaleAbs(g_sobelGradient_Y, g_sobelAbsGradient_Y);//计算绝对值，并将结果转换成8位

	// 合并梯度
	addWeighted(g_sobelAbsGradient_X, 0.5, g_sobelAbsGradient_Y, 0.5, 0, g_dstImage);

	//显示效果图
	imshow("【效果图】Sobel边缘检测", g_dstImage);

}


//-----------------------------------【Scharr( )函数】----------------------------------
//		描述：封装了Scharr边缘检测相关代码的函数
//-----------------------------------------------------------------------------------------
void Scharr()
{
	// 求 X方向梯度
	Scharr(g_srcImage, g_scharrGradient_X, CV_16S, 1, 0, 1, 0, BORDER_DEFAULT);
	convertScaleAbs(g_scharrGradient_X, g_scharrAbsGradient_X);//计算绝对值，并将结果转换成8位

	// 求Y方向梯度
	Scharr(g_srcImage, g_scharrGradient_Y, CV_16S, 0, 1, 1, 0, BORDER_DEFAULT);
	convertScaleAbs(g_scharrGradient_Y, g_scharrAbsGradient_Y);//计算绝对值，并将结果转换成8位

	// 合并梯度
	addWeighted(g_scharrAbsGradient_X, 0.5, g_scharrAbsGradient_Y, 0.5, 0, g_dstImage);

	//显示效果图
	imshow("【效果图】Scharr滤波器", g_dstImage);
}
Hough变换


OpenCV-Python实战（1）——OpenCV简介与图像处理基础
盼小辉丶的博客
08-10 23万+
OpenCV 是一个的跨平台计算机视觉库，可以运行在 Linux、Windows 和 Mac OS 操作系统上。它轻量级而且高效——由一系列 C 函数和少量 C++ 类构成，同时也提供了 Python 接口，实现了图像处理和计算机视觉方面的很多通用算法。在本文中，将介绍 OpenCV 库，包括它的主要模块和典型应用场景，同时使用 OpenCV-Python 实战讲解图像处理基础要点。
learning opencv3配套程序，适合初学者
04-02
总的来说，"learning opencv3配套程序"是一份非常实用的入门教程，它通过实例驱动的方式，让初学者能够在实践中学习，从而更好地理解和掌握OpenCV的核心功能。对于那些希望通过编程实践来探索图像处理和计算机视觉...
图像变换---学习opencv3
ma1096539894的博客
04-12 181
基于opencv的边缘检测的各种算子（带方向）和滤波器----canny算子、sobel算子、laplacian算子、scharr滤波器1、边缘检测的一般步骤：（1）滤波   高斯滤波（2）增强  增强边缘的基础是确定图像各点邻域强度的变化值。（3）检测 经过增强的图像往往邻域中有很多点的梯度值比较大，而在特定应用中这些点并不是要找的边缘点，经常采用阈值化方法来对这些点进行取舍。2、霍夫变换  运...
OpenCV3学习笔记（七）-----------图像变换
qq_37894023的博客
12-11 495
1、基于OpenCV的边缘检测 步骤：①滤波：边缘检测的算法只要是基于图像增强的一阶和二阶导数，但导数通常对噪声很明感，因此必须采用滤波器来改善与噪音有关的边缘检测器的性能。（高斯滤波采用高斯离散化的高斯函数产生一组归一化的高斯核，然后基于高斯核函数对图像灰度矩阵的每一点进行加权求和）           ②增强：增强边缘的基础是确定图像各点邻域强度的变化值。增强算法可以将灰度点邻域强度值有显...
learning opencv
11-18
不仅介绍了opencv的函数库和类。 而且介绍了各种算法的原理，以及代码的使用例子。 每一章后面有一些习题。
Learning OpenCV 3
08-14
《Learning OpenCV 3》是2018年出版的英文版...总之，《Learning OpenCV 3》是全面学习和掌握OpenCV 3的宝贵资源，无论你是想要入门计算机视觉，还是在现有项目中深化OpenCV的应用，这本书都将是你不可或缺的参考工具。
OpenCV入门指南：Learning OpenCV
"Learning OpenCV是Gary Bradski和Adrian Kaehler合著的一本关于OpenCV的入门书籍，适合想要学习计算机视觉技术的读者。这本书由O'Reilly Media, Inc.出版，是学习OpenCV库的理想起点。" OpenCV（开源计算机视觉库...
learningOpenCV(中文版)
06-02
本书为Opencv开发中文版，可供广大机器视觉工程师阅读与指导
learning opencv.pdf
10-12
learning opencv.pdf
LearningOpenCV(中文版).pdf
06-26
LearningOpenCV(中文版).pdf
Learning OpenCV 3（英文版）
09-06
相信不用多介绍，图像处理与计算视觉方面的必备书籍，本书用C++语言实现，包含了完整的openCV库，包括用于计算机视觉的机器学习
Learning OpenCV中文版
10-23
Learning OpenCV中文资料，计算机视觉必看教材。全书结构清晰、合理，范例实用、丰富，理论结合实践，即使读者只是略懂计算机视觉原理，也能人手对相关理论方法直接进行编码实现。本书可供广大科研人员、工程技术人员、高校相关专业师生及计算机视觉和图像编程爱好者阅读参考。
Learning OpenCV
清风冰竹
10-27 297
1. Ubuntu 安装 OpenCV 库 $ sudo apt-get install libopencv-dev python-opencv 2. Python3 安装 opencv-python 库 $ pip3 install opencv-python 3. 一个例子 1）C++语言 $ cat DisplayImage.cpp #include <cv...
Learning Opencv
doufutang的博客
10-08 239
第二章 opencv入门 遇到的问题： 1、写opencv例子前的配置设置 参考https://blog.csdn.net/maizousidemao/article/details/81474834 2、2-1例子编译遇到问题 #include <iostream> #include <opencv2/opencv.hpp> using namespace cv; in...
learning OpenCV(1)
zhongshandaxueguosha的专栏
11-05 634
OpenCV: Open Source Computer Vision Library 主页htt
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
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