codecamp

OpenCV Sobel衍生物

目标

在本教程中,您将学习如何:

  • 使用 OpenCV 函数 ​cv :: Sobel​ 来计算图像中的衍生物。
  • 使用 OpenCV 函数 ​cv :: Scharr​ 计算 3 \ cdot 3 的内核的更准确的导数 3⋅3

理论

注意
下面的解释属于 Bradski 和 Kaehler 的《学习 OpenCV 》一书。
  • 在最后两个教程中,我们已经看到了卷积的应用例子。最重要的卷积之一是计算图像中的导数(或与其近似)。
  • 为什么在图像中派生物的演算可能很重要?让我们想象一下,我们想要检测图像中存在的边。例如:

Sobel衍生物

你可以很容易地注意到,在边缘,像素强度以臭名昭着的方式发生变化。表达变化的一个好方法是使用衍生工具。梯度的高变化表示图像的重大变化。

  • 为了更加图形化,我们假设我们有一个 1D 图像。在下面的图中,边缘以强度显示为“跳跃”

Sobel衍生物

  • 如果我们采用一阶导数(实际上,这里显示为最大值),边缘“跳”可以更容易看到

Sobel衍生物

  • 因此,从上面的解释,我们可以推断出,通过定位梯度高于邻居的像素位置(或者概括为高于阈值),可以执行检测图像边缘的方法。
  • 更详细的解释,请参考 Bradski 和 Kaehler 学习 OpenCV

Sobel 操作

  1. Sobel 运算符是一个离散差分运算符。它计算图像强度函数的梯度的近似值。
  2. Sobel 算子结合高斯平滑和微分。

公式

假设要运行的图像是:I

  • 我们计算两个派生词:
  1. 水平变化:这是通过卷积计算与内核具有奇数大小。例如,对于内核大小为3,将计算为:IGxGx

Sobel衍生物

  1. 垂直变化:这是通过卷积计算与内核具有奇数大小。例如,对于内核大小为3,将被计算为: 一世 Gÿ Gÿ
  • 在图像的每个点,我们通过组合上述两个结果来计算该点的渐变近似值:
Sobel衍生物

虽然有时使用以下简单的方程:

Sobel衍生物

注意
当内核的大小是3,上面显示的 Sobel 内核可能会产生明显的不准确(毕竟 Sobel 只是导数的近似值)。OpenCV 通过使用​ cv :: Scharr​ 函数解决了大小为 3 的内核的不精确性这与标准的 Sobel 功能一样快,但更准确。它实现以下内核:

Sobel衍生物

您可以在 OpenCV 参考(​cv :: Scharr​)中查看此功能的更多信息。此外,在下面的示例代码中,您会注意到,在 ​cv :: Sobel​ 函数的代码之上,还有一个注释的​cv :: Scharr​函数的代码。取消注释(并且显然评论 Sobel 的内容)应该给你一个这个功能如何工作的想法。

Code

  1. 这个程序是做什么的?应用 Sobel 操作员,并生成作为输出的图像,检测到的边缘在较暗的背景上亮起。
  2. 教程代码如下所示。您也可以从这里下载


#include "opencv2/imgproc.hpp"
#include "opencv2/imgcodecs.hpp"
#include "opencv2/highgui.hpp"

using namespace cv;

int main( int argc, char** argv )
{
    Mat src, src_gray;
    Mat grad;
    const char* window_name = "Sobel Demo - Simple Edge Detector";
    int scale = 1;
    int delta = 0;
    int ddepth = CV_16S;
    String imageName("../data/lena.jpg"); 
    // 默认情况下  
    if (argc > 1)
    {      
        imageName = argv[1];
    }  
    src = imread( imageName, IMREAD_COLOR ); 
    // 加载一张图片  
    if( src.empty() )    
    {
        return -1;
    }  
    GaussianBlur( src, src, Size(3,3), 0, 0, BORDER_DEFAULT );  
    cvtColor( src, src_gray, COLOR_BGR2GRAY );  
    Mat grad_x, grad_y;
    Mat abs_grad_x, abs_grad_y;  
    //Scharr( src_gray, grad_x, ddepth, 1, 0, scale, delta, BORDER_DEFAULT );  
    Sobel( src_gray, grad_x, ddepth, 1, 0, 3, scale, delta, BORDER_DEFAULT ); 
    //Scharr( src_gray, grad_y, ddepth, 0, 1, scale, delta, BORDER_DEFAULT );  
    Sobel( src_gray, grad_y, ddepth, 0, 1, 3, scale, delta, BORDER_DEFAULT );  
    convertScaleAbs( grad_x, abs_grad_x );  
    convertScaleAbs( grad_y, abs_grad_y );  
    addWeighted( abs_grad_x, 0.5, abs_grad_y, 0.5, 0, grad );  
    imshow( window_name, grad );  
    waitKey(0);  
    return 0;
}

说明

  • 首先我们声明我们要使用的变量:
Mat src, src_gray;
Mat grad;
const char* window_name = "Sobel Demo - Simple Edge Detector";
int scale = 1;
int delta = 0;
int ddepth = CV_16S;
  • 像往常一样,我们加载我们的源图像src
String imageName("../data/lena.jpg"); 
// 默认情况下  
if (argc > 1)
{
    imageName = argv[1];
}
src = imread( imageName, IMREAD_COLOR ); 
// 加载一张图片  
if( src.empty() )
{
    return -1;
}
  • 首先,我们将cv :: GaussianBlur应用于我们的图像以减少噪声(内核大小= 3)
GaussianBlur( src, src, Size(3,3), 0, 0, BORDER_DEFAULT );
  • 现在我们将过滤的图像转换为灰度:
cvtColor(src,src_gray,COLOR_BGR2GRAY);
  • 其次,我们在 x 和 y 方向计算“*导数*” 。为此,我们使用函数cv :: Sobel,如下所示:
Mat grad_x, grad_y;
Mat abs_grad_x, abs_grad_y;  
//Scharr( src_gray, grad_x, ddepth, 1, 0, scale, delta, BORDER_DEFAULT );  
Sobel( src_gray, grad_x, ddepth, 1, 0, 3, scale, delta, BORDER_DEFAULT );  
//Scharr( src_gray, grad_y, ddepth, 0, 1, scale, delta, BORDER_DEFAULT );  
Sobel( src_gray, grad_y, ddepth, 0, 1, 3, scale, delta, BORDER_DEFAULT );

该函数采用以下参数:

  1. src_gray​:在我们的示例中,输入图像。这里是​CV_8U​;
  2. grad_x / * grad_y *​:输出图像;
  3. ddepth​:输出图像的深度。我们将其设置为​CV_16S​以避免溢出;
  4. x_order​:​x​方向上导数的顺序;
  5. y_order​:​y​方向上导数的顺序;
  6. scale​,​delta​和​BORDER_DEFAULT​:我们使用默认值。

请注意,为了计算​x​方向的梯度,我们使用: 。我们以​y​方式做类似的事情。

  • 我们将部分结果转换回CV_8U
convertScaleAbs(grad_x,abs_grad_x);
convertScaleAbs(grad_y,abs_grad_y);

最后,我们试图接近梯度通过将两个方向的梯度(注意,这是不是在所有的精确计算!但它有利于我们的目的)。

addWeighted(abs_grad_x,0.5,abs_grad_y,0.5,0,grad);

最后,我们展示我们的结果:

imshow(window_name,grad);
waitKey(0);

结果

这是将我们的基本检测器应用于​lena.jpg​的输出:

Sobel衍生物


OpenCV添加边框到您的图像
OpenCV Laplace Operator
温馨提示
下载编程狮App,免费阅读超1000+编程语言教程
取消
确定
目录

OpenCV教程

OpenCV高级GUI和媒体(highgui模块)

OpenCV图像输入和输出(imgcodecs模块)

对象检测(objdetect模块)

计算摄影(照片模块)

图像拼接(拼接模块)

关闭

MIP.setData({ 'pageTheme' : getCookie('pageTheme') || {'day':true, 'night':false}, 'pageFontSize' : getCookie('pageFontSize') || 20 }); MIP.watch('pageTheme', function(newValue){ setCookie('pageTheme', JSON.stringify(newValue)) }); MIP.watch('pageFontSize', function(newValue){ setCookie('pageFontSize', newValue) }); function setCookie(name, value){ var days = 1; var exp = new Date(); exp.setTime(exp.getTime() + days*24*60*60*1000); document.cookie = name + '=' + value + ';expires=' + exp.toUTCString(); } function getCookie(name){ var reg = new RegExp('(^| )' + name + '=([^;]*)(;|$)'); return document.cookie.match(reg) ? JSON.parse(document.cookie.match(reg)[2]) : null; }