📢:如果你也对机器人、人工智能感兴趣,看来我们志同道合✨
📢:不妨浏览一下我的博客主页【https://blog.csdn.net/weixin_51244852】
📢:文章若有幸对你有帮助,可点赞 👍 收藏 ⭐不迷路🙉
📢:内容若有错误,敬请留言 📝指正!原创文,转载请注明出处
文章目录
一、API-Sobel
Sobel算子又叫索贝尔算子,是计算机视觉领域的一种重要处理方法。主要用于获得数字图像的一阶梯度,常见的应用和物理意义是边缘检测。Sobel算子是把图像中每个像素的上下左右四领域的灰度值加权差,在边缘处达到极值从而检测边缘。
灰度化之后进行边缘检测。
1.1参数及其含义
Sobel( src, dst, ddepth, dx, dy, ksize, scale,delta,borderType )
1.InputArray src,
2.OutputArray dst,
3.int ddepth, 输出图像深度
4. int dx,导数x的阶数
5. int dy,导数y的阶数
6. int ksize = 1\3\5\7,扩展Sobel内核的大小;它必须是1、3、5或7。
7. double scale = 1, 计算派生值的可选比例因子;默认情况下,不应用缩放
8. double delta = 0, 给所选的像素值添加一个值delta。
9. int borderType = BORDER_DEFAULT 用于推断图像外部像素的某种边界模式。有默认值BORDER_DEFAULT。 ); Sobel(grayimg, gx, CV_16S, 1, 0,3,1,0,BORDER_DEFAULT); 后三位均可不填,输出默认值,即:Sobel(grayimg, gx, CV_16S, 1, 0,3) x方向和y方向:
1.2全部代码
#include<iostream>
#include<opencv2/opencv.hpp>
using namespace std;
using namespace cv;
int main()
{
Mat img, grayimg, gx, gy, gx1, gy1, src;
img = imread("D:/images/lena.png");
if (!img.data)
{
cout << "could not load image !";
return -1;
}
imshow("原图", img);
cvtColor(img, grayimg, COLOR_BGR2GRAY);
imshow("灰度图", grayimg);
//在X方向上求导,能获得竖直边缘
Sobel(grayimg, gx, CV_16S, 1, 0, 3);
//在Y方向上求导,能获得水平边缘
Sobel(grayimg, gy, CV_16S, 0, 1, 3);
//由于经过sobel算子操作后,像素可能会变成负值,要将所有像素值取绝对值
convertScaleAbs(gx, gx1);//计算图像gx的像素绝对值,输出到图像gx1
convertScaleAbs(gy, gy1);//计算图像gy的像素绝对值,输出到图像gy1
//将X和Y方向增强的图像进行加权处理
addWeighted(gx1, 0.5, gy1, 0.5, 0, src);
imshow("|Sobelx|", gx1);
imshow("|Sobely|", gy1);
imshow("|Sobelx|+|Sobelx|", src);
waitKey(0);
return 0;
}
1.3效果展示
为了更形象地体现soble在x和y方向上的处理效果,选用一张有明显竖直线和水平线的图像。
X-清晰地显示竖直线
Y-清晰地显示水平线
X+Y
竖直线和水平线合并
二、API-Scharr算子
Scharr算子是sobel的加强版
2.1全部代码
参数等同于soble算子
#include<iostream>
#include<opencv2/opencv.hpp>
using namespace std;
using namespace cv;
int main()
{
Mat img, grayimg, gx, gy, gx1, gy1, src;
img = imread("D:/images/house.png");
if (!img.data)
{
cout << "could not load image !";
return -1;
}
imshow("原图", img);
cvtColor(img, grayimg, COLOR_BGR2GRAY);
imshow("灰度图", grayimg);
Scharr(grayimg, gx, CV_16S, 1, 0, 1);
Scharr(grayimg, gy, CV_16S, 0, 1, 1);
//由于经过sobel算子操作后,像素可能会变成负值,要将所有像素值取绝对值
convertScaleAbs(gx, gx1);//计算图像gx的像素绝对值,输出到图像gx1
convertScaleAbs(gy, gy1);//计算图像gy的像素绝对值,输出到图像gy1
//将X和Y方向增强的图像进行加权处理
addWeighted(gx1, 0.5, gy1, 0.5, 0, src);
imshow("|Sobelx|", gx1);
imshow("|Sobely|", gy1);
imshow("|Sobelx|+|Sobelx|", src);
waitKey(0);
return 0;
}
2.2效果展示
三、API-Laplacian算子
Laplacian即拉普拉斯算子
3.1参数以及含义
Laplacian( src, dst, ddepth, kernel_size, scale, delta, BORDER_DEFAULT);
Laplacian(grayimg, gx, CV_16S, 3, 1, 0); src: 输入图像。
dst: 输出图像
ddepth: 输出图像的深度。 因为输入图像的深度是 CV_8U ,这里我们必须定义 ddepth = CV_16S 以避免外溢。
kernel_size: 内部调用的 Sobel算子的内核大小,此例中设置为3。 scale, delta 和
BORDER_DEFAULT: 使用默认值。
3.2全部代码
#include<iostream>
#include<opencv2/opencv.hpp>
using namespace std;
using namespace cv;
int main()
{
Mat img, grayimg, gx, gx1;
img = imread("D:/images/house.png");
if (!img.data)
{
cout << "could not load image !";
return -1;
}
imshow("原图", img);
cvtColor(img, grayimg, COLOR_BGR2GRAY);
imshow("灰度图", grayimg);
Laplacian(grayimg, gx, CV_16S, 3, 1, 0);
//由于经过Laplacianl算子操作后,像素可能会变成负值,要将所有像素值取绝对值
convertScaleAbs(gx, gx1);//计算图像gx的像素绝对值,输出到图像gx1
imshow("result", gx1);
waitKey(0);
return 0;
}