EmguCv边缘检测

 sobelif (ib_original.Image != null) { Mat src = new Image<Bgr, byte>(ib_original.Image.Bitmap).Mat; Mat dst = new Mat(); //Sobel(...
摘要由CSDN通过智能技术生成

 sobel

if (ib_original.Image != null)
            {
                Mat src = new Image<Bgr, byte>(ib_original.Image.Bitmap).Mat;
                Mat dst = new Mat();

                //Sobel()主要用于获得数字图像的一阶梯度
                //DepthType ddepth:表示输出图像的深度。
                //int xorder:x 方向差分阶数。
                //int yorder:y 方向差分阶数。
                //int kSize = 3:sobel 卷积内核大小,必须为1,3,5 或者7。
                //double scale = 1:可选的比例因子的计算导数值。默认为1,不进行缩放。
                //double delta = 0:表示结果存入输出图像之前的delta值。
                CvInvoke.Sobel(src, dst, Emgu.CV.CvEnum.DepthType.Default, 1, 0);
                ib_result.Image = dst;
            }

 Laplacian

 private void button1_Click(object sender, EventArgs e)
        {
            if (ib_original.Image != null)
         
  • 1
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
EmguCV是一个基于OpenCV的开源计算机视觉库,可以用于图像和视频处理。其中Cascadeclassifier是EmguCV中的一个重要类,用于训练样本。 训练样本是机器学习和计算机视觉中一个重要的步骤,用于构建和训练分类器,以便对新的数据进行分类或识别。在EmguCV中,Cascadeclassifier可以用于训练和构建基于Haar特征的对象检测器。Haar特征是一种图像特征提取方法,可以用于检测边缘、线段或纹理等特征。 在训练样本之前,需要准备一组正样本和一组负样本。正样本是我们所关注的对象的图像,而负样本则是非关注对象的图像。以人脸检测为例,正样本可以是包含人脸的图像,而负样本可以是不包含人脸的图像。 首先,需要使用EmguCV提供的API加载正样本和负样本图像。然后,可以通过调用Cascadeclassifier类中的方法来训练分类器,例如Train方法。训练过程中,Cascadeclassifier会利用Haar特征以及正样本和负样本图像来不断优化分类器模型,以提高对象检测的准确性和性能。 一旦训练完成,可以保存生成的分类器模型,并将其用于实际的对象检测任务。通过调用Cascadeclassifier的DetectMultiScale方法,可以传入待检测的图像,从而实现对图像中对象的自动检测和识别。 总之,EmguCV中的Cascadeclassifier类提供了训练和构建基于Haar特征的对象检测器的功能。通过准备正负样本集合、调用训练方法、保存生成的分类器模型和应用模型进行目标检测等步骤,可以实现对特定对象的自动检测和识别。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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