《opencv实用探索·十二》opencv之laplacian(拉普拉斯)边缘检测，Scharr边缘检测，Log边缘检测

2023-12-07 16:28
文章标签 opencv 检测 探索 实用 十二 log 边缘 scharr laplacian 拉普拉斯

本文主要是介绍《opencv实用探索·十二》opencv之laplacian(拉普拉斯)边缘检测，Scharr边缘检测，Log边缘检测，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

1、Laplacian算子
Laplacian（拉普拉斯）算子是一种二阶导数算子，其具有旋转不变性，可以满足不同方向的图像边缘锐化（边缘检测）的要求。同时，在图像边缘处理中，二阶微分的边缘定位能力更强，锐化效果更好，因此在进行图像边缘处理时，直接采用二阶微分算子而不使用一阶微分。

通常情况下，其算子的系数之和需要为零。 Laplacian算子具有各方向同性的特点，能够对任意方向的边缘进行提取，具有无方向性的优点，因此使用Laplacian算子提取边缘不需要分别检测X方向的边缘和Y方向的边缘，只需要一次边缘检测即可。Laplacian算子是一种二阶导数算子，对噪声比较敏感，因此常需要配合高斯滤波一起使用。
Laplacian使用的卷积核如下：
在这里插入图片描述
像素点的近似导数值计算：
左图是 Laplacian 算子，右图是一个简单图像，其中有 9 个像素点。
在这里插入图片描述
计算像素点 P5 的近似导数值，如下：
P5 = (P2 + P4 + P6 + P8) - 4*P5

下面是一些实际计算的例子：
在左图中，像素点 P5 与周围像素点的值相差较小，得到的计算结果值较小，边缘不明显。
在中间的图中，像素点 P5 与周围像素点的值相差较大，得到的计算结果值较大，边缘较明显。
在右图中，像素点 P5 与周围像素点的值相差较大，得到的计算结果值较大，边缘较明显。
在这里插入图片描述

需要注意，在上述卷积核与图像进行卷积运算后，计算结果的值可能为正数，也可能为负数。所以，需要对计算结果取绝对值，以保证后续运算和显示都是正确的。

opencv之Laplacian接口调用：

void Laplacian( InputArray src, OutputArray dst, int ddepth,int ksize = 1, double scale = 1, double delta = 0,int borderType = BORDER_DEFAULT );

src：输入图像，可以是任意通道数的图像，但通常是单通道灰度图像。
dst：输出图像，与输入图像src具有相同的尺寸和通道数
ddepth：输出图像的深度，若src为CV_8U，则可取-1/CV_16S/CV_32F/CV_64F；若src为CV_16U/CV_16S，可取-1/CV_32F/CV_64F；若src为CV_32F，可取-1/CV_32F/CV_64F；若src为CV_64F，可取-1/CV_64F。，当赋值为-1时，输出图像的数据类型自动选择。
ksize：用于计算二阶导数的核尺寸大小，必须为正奇数。
scale：对导数计算结果进行缩放的缩放因子，默认系数为1，表示不进行缩放。也称对比度
delta：偏值，在计算结果中加上偏值。也称亮度
borderType：像素外推法选择标志，默认参数为BORDER_DEFAULT，表示不包含边界值倒序填充。

ddepth说明：
ddepth 参数表示输出图像的深度，即输出图像的数据类型。它决定了输出图像中像素值的数据范围和存储格式。
常见的选项包括：
CV_8U：8位无符号整数，表示范围为 [0, 255]。
CV_16U：16位无符号整数，表示范围为 [0, 65535]。
CV_16S：16位有符号整数，表示范围为 [-32768, 32767]。
CV_32F：32位浮点数。
CV_64F：64位浮点数。

选择合适的深度类型取决于你的应用和对图像数据的要求。例如，如果你希望保留边缘检测操作中的负值，可能会选择使用浮点数类型（如 CV_64F），因为它可以存储负数。如果你只关心边缘的存在与否而不关心边缘的方向，那么使用无符号整数类型可能更合适。
在Laplacian算子中，通常选择 CV_16S 或 CV_64F 作为 ddepth，因为Laplacian操作可能产生负值，而这些负值在 CV_8U 类型中会被截断为零。在显示图像之前，通常需要对结果进行取绝对值（cv::abs()）并进行数据类型转换。

下面代码为使用拉普拉斯检测边缘的一个demo：

#include <opencv2/opencv.hpp>
#include <iostream>int main() 
{  //载入原始图Mat src = imread("1.jpg");//【1】定义变量Mat src_gray, dst, abs_dst;//【2】显示原图imshow("原始图", src);//【3】使用高斯滤波消除噪声GaussianBlur(src, src, Size(3, 3), 0);//【4】转为灰度图cvtColor(src, src_gray, COLOR_BGR2GRAY);//【5】Laplacian查找边缘Laplacian(src_gray, dst, CV_16S, 3);//【6】计算绝对值，并将结果转为8位convertScaleAbs(dst, abs_dst);//【7】显示效果图imshow("Laplacian变换", abs_dst);cout << "Laplacian算法输出图像的通道" << abs_dst.channels() << endl;waitKey(0);destroyAllWindows();return 0;
}

效果图如下，左边是原图，右边是拉普拉斯边缘检测图：
在这里插入图片描述

2、Scharr 算子
scharr算子和sobel的原理一致（sobel算子看上一章内容），但scharr算子对于边界的梯度计算效果更精确

他们的区别在于：
（1）是Gx和Gy参数的大小不同，也就是卷积核中各元素的权不同，其他都一样，scharr算子对于边界的梯度计算效果更精确；
（2）Scharr算子的核设计更加平滑，这使得其在一定程度上对噪声具有更好的鲁棒性；
（3）由于Scharr算子的核更复杂，因此在计算上可能相对Sobel算子更为耗时。

在实际应用中，选择Scharr还是Sobel通常取决于具体的场景和需求。如果对边缘的敏感度较高，并且噪声较少，Scharr算子可能是一个更好的选择。如果计算效率和简单性更为重要，那么Sobel算子可能更适合。

Scharr在X和Y轴方向的卷积核如下：
在这里插入图片描述
opencv之Scharr算子接口说明：

void Scharr( InputArray src, OutputArray dst, int ddepth,int dx, int dy, double scale = 1, double delta = 0,int borderType = BORDER_DEFAULT )

src: 输入图像，可以是任意通道数的图像。
dst: 输出图像，算法的结果将存储在这里。
ddepth: 输出图像的深度，若src为CV_8U，则可取-1/CV_16S/CV_32F/CV_64F；若src为CV_16U/CV_16S，可取-1/CV_32F/CV_64F；若src为CV_32F，可取-1/CV_32F/CV_64F；若src为CV_64F，可取-1/CV_64F。，当赋值为-1时，输出图像的数据类型自动选择。
dx 和 dy: x 和 y 方向的导数阶数，通常为 0 或 1。0表示这个方向上没有求导。
scale: 可选参数，表示缩放因子，默认为1。
delta: 可选参数，表示在卷积结果上加上的偏置，默认为0。
borderType: 可选参数，用于指定边界模式，默认为 cv::BORDER_DEFAULT

代码演示：

#include <opencv2/opencv.hpp>
#include <iostream>int main() 
{  // 读取图像cv::Mat image = cv::imread("1.jpg", cv::IMREAD_GRAYSCALE);// 检查图像是否成功读取if (image.empty()) {std::cerr << "Error: Could not read the image." << std::endl;return -1;}// 应用Scharr算子分别获取X和Y方向一阶边缘cv::Mat scharrX, scharrY;cv::Scharr(image, scharrX, CV_16S, 1, 0);cv::Scharr(image, scharrY, CV_16S, 0, 1);// 计算绝对值，并将结果转为8位// 因为卷积操作可能产生负值，而这些负值在 CV_8U 类型中会被截断为零。在显示图像之前，通常需要对结果进行取绝对值（cv::abs()）并进行数据类型转换。convertScaleAbs(scharrX, scharrX);convertScaleAbs(scharrY, scharrY);// 显示原始图像和Scharr算子的输出cv::imshow("Original Image", image);cv::imshow("Gradient Magnitude", scharrX + scharrY);waitKey(0);![在这里插入图片描述](https://img-blog.csdnimg.cn/direct/8899b12d049441cb8d7d24a110581414.png)destroyAllWindows();return 0;
}

效果图如下，左边是原图，右边是Scharr边缘检测图
在这里插入图片描述

3、Log算子
LoG（Laplacian of Gaussian）算子结合了高斯滤波和拉普拉斯边缘检测，用于检测图像中的边缘。LoG算子首先对图像进行高斯平滑，然后应用拉普拉斯算子。这有助于减少噪声的影响，并突出图像中的边缘。
在OpenCV中，cv::GaussianBlur和cv::Laplacian函数可以用于实现LoG算子的操作。

#include <opencv2/opencv.hpp>
#include <iostream>int main() {// 读取图像cv::Mat image = cv::imread("your_image.jpg", cv::IMREAD_GRAYSCALE);// 检查图像是否成功读取if (image.empty()) {std::cerr << "Error: Could not read the image." << std::endl;return -1;}// 高斯平滑cv::Mat blurred;cv::GaussianBlur(image, blurred, cv::Size(5, 5), 0);// 应用拉普拉斯算子cv::Mat laplacian;cv::Laplacian(blurred, laplacian, CV_64F);// 取绝对值并转换为8位无符号整数laplacian = cv::abs(laplacian);laplacian.convertTo(laplacian, CV_8U);// 显示原始图像和LoG算子的输出cv::imshow("Original Image", image);cv::imshow("LoG Operator", laplacian);// 等待用户按键cv::waitKey(0);return 0;
}
在这里插入图片描述

这篇关于《opencv实用探索·十二》opencv之laplacian(拉普拉斯)边缘检测，Scharr边缘检测，Log边缘检测的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/466541。

相关文章

深入探索协同过滤：从原理到推荐模块案例

深入探索协同过滤：从原理到推荐模块案例

文章目录 前言一、协同过滤1. 基于用户的协同过滤（UserCF）2. 基于物品的协同过滤（ItemCF）3. 相似度计算方法 二、相似度计算方法1. 欧氏距离2. 皮尔逊相关系数3. 杰卡德相似系数4. 余弦相似度 三、推荐模块案例1.基于文章的协同过滤推荐功能2.基于用户的协同过滤推荐功能 前言     在信息过载的时代，推荐系统成为连接用户与内容的桥梁。本文聚焦于
阅读更多...
使用opencv优化图片（画面变清晰）

使用opencv优化图片（画面变清晰）

文章目录 需求影响照片清晰度的因素 实现降噪测试代码 锐化空间锐化Unsharp Masking频率域锐化对比测试 对比度增强常用算法对比测试 需求 对图像进行优化，使其看起来更清晰，同时保持尺寸不变，通常涉及到图像处理技术如锐化、降噪、对比度增强等 影响照片清晰度的因素 影响照片清晰度的因素有很多，主要可以从以下几个方面来分析 1. 拍摄设备 相机传感器：相机传
阅读更多...
综合安防管理平台LntonAIServer视频监控汇聚抖动检测算法优势

综合安防管理平台LntonAIServer视频监控汇聚抖动检测算法优势

LntonAIServer视频质量诊断功能中的抖动检测是一个专门针对视频稳定性进行分析的功能。抖动通常是指视频帧之间的不必要运动，这种运动可能是由于摄像机的移动、传输中的错误或编解码问题导致的。抖动检测对于确保视频内容的平滑性和观看体验至关重要。 优势 1. 提高图像质量 - 清晰度提升：减少抖动，提高图像的清晰度和细节表现力，使得监控画面更加真实可信。 - 细节增强：在低光条件下，抖
阅读更多...
内核启动时减少log的方式

内核启动时减少log的方式

内核引导选项 内核引导选项大体上可以分为两类：一类与设备无关、另一类与设备有关。与设备有关的引导选项多如牛毛，需要你自己阅读内核中的相应驱动程序源码以获取其能够接受的引导选项。比如，如果你想知道可以向 AHA1542 SCSI 驱动程序传递哪些引导选项，那么就查看 drivers/scsi/aha1542.c 文件，一般在前面 100 行注释里就可以找到所接受的引导选项说明。大多数选项是通过"_
阅读更多...
烟火目标检测数据集 7800张 烟火检测 带标注 voc yolo

烟火目标检测数据集 7800张 烟火检测 带标注 voc yolo

一个包含7800张带标注图像的数据集，专门用于烟火目标检测，是一个非常有价值的资源，尤其对于那些致力于公共安全、事件管理和烟花表演监控等领域的人士而言。下面是对此数据集的一个详细介绍： 数据集名称：烟火目标检测数据集 数据集规模： 图片数量：7800张类别：主要包含烟火类目标，可能还包括其他相关类别，如烟火发射装置、背景等。格式：图像文件通常为JPEG或PNG格式；标注文件可能为X
阅读更多...
基于 YOLOv5 的积水检测系统：打造高效智能的智慧城市应用

基于 YOLOv5 的积水检测系统：打造高效智能的智慧城市应用

在城市发展中，积水问题日益严重，特别是在大雨过后，积水往往会影响交通甚至威胁人们的安全。通过现代计算机视觉技术，我们能够智能化地检测和识别积水区域，减少潜在危险。本文将介绍如何使用 YOLOv5 和 PyQt5 搭建一个积水检测系统，结合深度学习和直观的图形界面，为用户提供高效的解决方案。 源码地址： PyQt5+YoloV5 实现积水检测系统 预览： 项目背景
阅读更多...
opencv 滚动条

opencv 滚动条

参数介绍:createTrackbar( trackbarname , "hello" , &alpha_slider ,alpha_max ,  on_trackbar )  ;在标签中显示的文字（提示滑动条的用途） TrackbarName创建的滑动条要放置窗体的名字 “hello”滑动条的取值范围从 0 到 alpha_max (最小值只能为 zero).滑动后的值存放在
阅读更多...
android-opencv-jni

android-opencv-jni

//------------------start opencv--------------------@Override public void onResume(){ super.onResume(); //通过OpenCV引擎服务加载并初始化OpenCV类库，所谓OpenCV引擎服务即是 //OpenCV_2.4.3.2_Manager_2.4_*.apk程序包，存
阅读更多...
JavaFX应用更新检测功能（在线自动更新方案）

JavaFX应用更新检测功能（在线自动更新方案）

JavaFX开发的桌面应用属于C端，一般来说需要版本检测和自动更新功能，这里记录一下一种版本检测和自动更新的方法。 1. 整体方案 JavaFX.应用版本检测、自动更新主要涉及一下步骤： 读取本地应用版本拉取远程版本并比较两个版本如果需要升级，那么拉取更新历史弹出升级控制窗口用户选择升级时，拉取升级包解压，重启应用用户选择忽略时，本地版本标志为忽略版本用户选择取消时，隐藏升级控制窗口 2.
阅读更多...
AI(文生语音)-TTS 技术线路探索学习:从拼接式参数化方法到Tacotron端到端输出

AI(文生语音)-TTS 技术线路探索学习:从拼接式参数化方法到Tacotron端到端输出

AI(文生语音)-TTS 技术线路探索学习:从拼接式参数化方法到Tacotron端到端输出 在数字化时代，文本到语音（Text-to-Speech, TTS）技术已成为人机交互的关键桥梁，无论是为视障人士提供辅助阅读，还是为智能助手注入声音的灵魂，TTS 技术都扮演着至关重要的角色。从最初的拼接式方法到参数化技术，再到现今的深度学习解决方案，TTS 技术经历了一段长足的进步。这篇文章将带您穿越时
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2