【OpenCV】Sobel算子
卷积应用-图像边缘提取
边缘是什么 – 是像素值发生阶跃变化的地方,是图像的显著特征之一,在图像特征提取、对象检测、模式识别等方面都有重要的作用。
如何捕捉/提取边缘 – 对图像求它的一阶导数
delta = f(x) – f(x-1)
, delta
越大,说明像素在X方向变化越大,边缘信号越强
Sobel算子
是离散微分算子(discrete differentiation operator),用来计算图像灰度的近似梯度
Soble算子功能集合高斯平滑和微分求导
又被称为一阶微分算子,求导算子,在水平和垂直两个方向上求导,得到图像X方法与Y方向梯度图像
水平梯度
垂直梯度
最终图像梯度
求取导数的近似值,kernel=3时不是很准确,OpenCV使用改进版本Scharr
函数,算子如下:
相关APIcv::Sobel
cv::Sobel (
InputArray Src // 输入图像
OutputArray dst// 输出图像,大小与输入图像一致
int depth // 输出图像深度.
Int dx. // X方向,几阶导数
int dy // Y方向,几阶导数.
int ksize, SOBEL算子kernel大小,必须是1、3、5、7、
double scale = 1
double delta = 0
int borderType = BORDER_DEFAULT
)
相关APIcv::Scharr (
cv::Scharr (
InputArray Src // 输入图像
OutputArray dst// 输出图像,大小与输入图像一致
int depth // 输出图像深度.
Int dx. // X方向,几阶导数
int dy // Y方向,几阶导数.
double scale = 1
double delta = 0
int borderType = BORDER_DEFAULT
)
GaussianBlur( src, dst, Size(3,3), 0, 0, BORDER_DEFAULT );
cvtColor( src, gray, COLOR_RGB2GRAY );
addWeighted( A, 0.5,B, 0.5, 0, AB);
convertScaleAbs(A, B)// 计算图像A的像素绝对值,输出到图像B
代码实现
#include<opencv2/opencv.hpp>
#include<iostream>
#include<math.h>
using namespace std;
using namespace cv;
int main(int argc, char**argv)
{
Mat src, gray_src, dst,dst2;
src = imread("1.jpg");
if (!src.data) {
printf("can naot load the image ...\n");
return -1;
}
char input_title[] = "input";
char output_title[] = "sobel demo2";
namedWindow(input_title, CV_WINDOW_AUTOSIZE);
imshow(input_title, src);
GaussianBlur(src, dst, Size(3, 3),0,0);
cvtColor(dst, gray_src, CV_BGR2GRAY);
Mat xgrad, ygrad;
Sobel(gray_src, xgrad, CV_32F, 1, 0);
Sobel(gray_src, ygrad, CV_32F, 0, 1);
Mat xygrad_1;
addWeighted(xgrad, 0.5, ygrad, 0.5, 0, xygrad_1, -1);
imshow("sobel demo1", xygrad_1);
imwrite("sobel_demo1.jpg", xygrad_1);
//手动实现融合
convertScaleAbs(xgrad, xgrad);//取绝对值
convertScaleAbs(ygrad, ygrad);
imshow("xgrad", xgrad);
imshow("ygrad", ygrad);
Mat xygrad_2 = Mat(xgrad.size(), xgrad.type());
int width = xgrad.cols;
int height = ygrad.rows;
for (int row = 0; row < height; row++) {
for (int col = 0; col <width; col++) {
int xg = xgrad.at<uchar>(row, col);
int yg = ygrad.at<uchar>(row, col);
int xy = xg + yg;
xygrad_2.at<uchar>(row, col) = saturate_cast<uchar>(xy);
}
}
imshow(output_title, xygrad_2);
imwrite("sobel_demo2.jpg", xygrad_2);
Mat xgrad_1, ygrad_1;
Scharr(gray_src, xgrad_1, CV_32F, 1, 0);
Scharr(gray_src, ygrad_1, CV_32F, 0, 1);
addWeighted(xgrad_1, 0.5, ygrad_1, 0.5, 0, dst2, -1);
imshow("scharr_demo", dst2);
imwrite("scharr_demo.jpg", dst2);
waitKey(0);
return 0;
}
}
手动融合后,相比API,效果更佳
实验结果
手动将X与Y方向图像融合
addweighted API 融合效果
scharr算子+addweighted融合