OpenCV4系列之图像梯度

摘要:
在图像处理中,求解图像梯度是常用操作。在图像的任何一点使用此算子,将会产生对应的灰度矢量或是其法矢量。

在图像处理中,求解图像梯度是常用操作。

Sobel算子

Calculates the first, second, third, or mixed image derivatives using an extended Sobel operator.

Sobel 算子是一种离散性差分算子,用来计算图像像素值的一阶、二阶、三阶或混合梯度。在图像的任何一点使用此算子,将会产生对应的灰度矢量或是其法矢量。

C++: void Sobel(InputArray src, OutputArray dst, int ddepth, int dx, int dy, int ksize=3, double scale=1, double delta=0, int borderType=BORDER_DEFAULT )
C: void cvSobel(const CvArr* src, CvArr* dst, int xorder, int yorder, int aperture_size=3 )

参数含义

src – 输入图像

dst – 输出结果,与输入图像具有相同的尺寸和通道数

ddepth – 输出图像的数据类型。支持以下数据类型组合

  • src.depth() = CV_8U, ddepth = -1/CV_16S/CV_32F/CV_64F
  • src.depth() = CV_16U/CV_16S, ddepth = -1/CV_32F/CV_64F
  • src.depth() = CV_32F, ddepth = -1/CV_32F/CV_64F
  • src.depth() = CV_64F, ddepth = -1/CV_64F

当ddepth=-1时,输出与输入具有相同的数据类型。当输入是8比特图像时,输出结果将是截断的导数值(in the case of 8-bit input images it will result in truncated derivatives)。

xorder – x方向求导阶数

yorder – y方向求导阶数

ksize – 卷积核的大小,只能是1/3/5/7之一(it must be 1, 3, 5, or 7)。

scale –缩放尺度因子,默认无缩放

delta – 存储之前加到上述结果上的偏移量。

borderType – 边界插值方法,详见附录A-1。

Scharr算子

Calculates the first x- or y- image derivative using Scharr operator.

该算子参数和 Sobel 算子一致,与 Sobel 区别在于,Scharr 仅作用于大小为3的内核。具有和sobel算子一样的速度,但结果更为精确。

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

参数含义

src – 输入图像

dst – 输出结果,与输入图像具有相同的尺寸和通道数

ddepth – 输出图像的数据类型,即矩阵中元素的一个通道的数据类型,这个值和 type 是相关的。例如 type 为 CV_16SC2,一个2通道的16位的有符号整数,depth是CV_16S

dx – dx=1 表示求 x 方向的一阶梯度,dx=0 表示不求 x 方向

dy – 与上类似,dy=1 表示求 y 方向的一阶梯度,dy=0 表示不求 y 方向

scale – 求导得到的值的缩放尺度因子,默认无缩放

delta – 在存储之前加到求导值上的数值,可以用于将0以下的值调整到0以上。delta=0 时表示梯度为0处结果保存为0;delta=m 时表示梯度为0处结果保存为m

borderType – 表示图像四周像素外插值方法,默认是 BORDER_DEFAULT,该参数解释见附录A-1。

附录A-1

borderType

决定在图像发生几何变换或者滤波操作(卷积)时边沿像素的处理方式

/*Various border types, image boundaries are denoted with '|'

 * BORDER_REPLICATE:     aaaaaa|abcdefgh|hhhhhhh
 * BORDER_REFLECT:       fedcba|abcdefgh|hgfedcb
 * BORDER_REFLECT_101:   gfedcb|abcdefgh|gfedcba
 * BORDER_WRAP:          cdefgh|abcdefgh|abcdefg
 * BORDER_CONSTANT:      iiiiii|abcdefgh|iiiiiii  with some specified 'i'
 */
  • BORDER_CONSTANT 边沿像素用 i 扩展,需要设置borderValue 指定 ' i ' 值,const cv::Scalar& borderValue = cv::Scalar(0);
  • BORDER_REPLICATE,复制边界像素
  • BORDER_REFLECT,对边界对称扩展,包含对称轴处的元素
  • BORDER_REFLECT_101,以边界为对称轴对称扩展复制像素,不包含对称轴处的元素

cv::Mat 的属性

The class Mat represents an n-dimensional dense numerical single-channel or multi-channel array.
It can be used to store real or complex-valued vectors and matrices, grayscale or color images, voxel
volumes, vector fields, point clouds, tensors, histograms (though, very high-dimensional histograms
may be better stored in a SparseMat ).

Mat是用于表示一个多维的单通道或者多通道的稠密数组。能用来保存实数或复数的向量、矩阵,灰度或彩色图像,立体元素,点云,张量以及直方图(高维的直方图最好使用SparseMat保存)。总之Mat就是用来保存多维的矩阵的。

  • depth

depth属性表示矩阵中元素的一个通道的数据类型。可以根据矩阵的 type 属性来判断(S 代表 signed int,即有符号整形;U 代表 unsigned int,即无符号整形;F 代表 float,即单精度浮点型。):

对于 CV_8U/CV_8S 其 depth 为 1

对于 CV_16U/CV_16S 其 depth 为 2

对于 CV_32S/CV_32F 其 depth 为 4

对于 CV_64F 其depth 为 8

OpenCV4系列之图像梯度第1张OpenCV4系列之图像梯度第2张
#define CV_8UC1 CV_MAKETYPE(CV_8U,1)
#define CV_8UC2 CV_MAKETYPE(CV_8U,2)
#define CV_8UC3 CV_MAKETYPE(CV_8U,3)
#define CV_8UC4 CV_MAKETYPE(CV_8U,4)
#define CV_8UC(n) CV_MAKETYPE(CV_8U,(n))

#define CV_8SC1 CV_MAKETYPE(CV_8S,1)
#define CV_8SC2 CV_MAKETYPE(CV_8S,2)
#define CV_8SC3 CV_MAKETYPE(CV_8S,3)
#define CV_8SC4 CV_MAKETYPE(CV_8S,4)
#define CV_8SC(n) CV_MAKETYPE(CV_8S,(n))

#define CV_16UC1 CV_MAKETYPE(CV_16U,1)
#define CV_16UC2 CV_MAKETYPE(CV_16U,2)
#define CV_16UC3 CV_MAKETYPE(CV_16U,3)
#define CV_16UC4 CV_MAKETYPE(CV_16U,4)
#define CV_16UC(n) CV_MAKETYPE(CV_16U,(n))

#define CV_16SC1 CV_MAKETYPE(CV_16S,1)
#define CV_16SC2 CV_MAKETYPE(CV_16S,2)
#define CV_16SC3 CV_MAKETYPE(CV_16S,3)
#define CV_16SC4 CV_MAKETYPE(CV_16S,4)
#define CV_16SC(n) CV_MAKETYPE(CV_16S,(n))

#define CV_32SC1 CV_MAKETYPE(CV_32S,1)
#define CV_32SC2 CV_MAKETYPE(CV_32S,2)
#define CV_32SC3 CV_MAKETYPE(CV_32S,3)
#define CV_32SC4 CV_MAKETYPE(CV_32S,4)
#define CV_32SC(n) CV_MAKETYPE(CV_32S,(n))

#define CV_32FC1 CV_MAKETYPE(CV_32F,1)
#define CV_32FC2 CV_MAKETYPE(CV_32F,2)
#define CV_32FC3 CV_MAKETYPE(CV_32F,3)
#define CV_32FC4 CV_MAKETYPE(CV_32F,4)
#define CV_32FC(n) CV_MAKETYPE(CV_32F,(n))

#define CV_64FC1 CV_MAKETYPE(CV_64F,1)
#define CV_64FC2 CV_MAKETYPE(CV_64F,2)
#define CV_64FC3 CV_MAKETYPE(CV_64F,3)
#define CV_64FC4 CV_MAKETYPE(CV_64F,4)
#define CV_64FC(n) CV_MAKETYPE(CV_64F,(n))
type definition

参考资料

[1]Image Filtering

[2]OpenCV2:Mat属性type,depth,step

[3]Sobel Derivatives

[4]opencv边缘检测sobel算子

[5]python opencv学习(六)图像梯度计算

免责声明:文章转载自《OpenCV4系列之图像梯度》仅用于学习参考。如对内容有疑问,请及时联系本站处理。

上篇spring boot:用dynamic-datasource-spring-boot-starter配置druid多数据源(spring boot 2.3.3)SSIS 处理错误的方法下篇

宿迁高防,2C2G15M,22元/月;香港BGP,2C5G5M,25元/月 雨云优惠码:MjYwNzM=

相关文章

机器学习之线性回归---logistic回归---softmax回归

在本节中,我们介绍Softmax回归模型,该模型是logistic回归模型在多分类问题上的推广,在多分类问题中,类标签 可以取两个以上的值。 Softmax回归模型对于诸如MNIST手写数字分类等问题是很有用的,该问题的目的是辨识10个不同的单个数字。Softmax回归是有监督的,不过后面也会介绍它与深度学习/无监督学习方法的结合。(译者注: MNIST...

AI框架导学篇--01

AI框架入门 01 作者:elfin 目录 1、数据加载与数据分析 1.1 导入数据 1.2 查看对象的方法、属性 1.3 查看数据集的描述 1.4 查看波士顿数据集的特征名 1.5 查看房间数信息 2、波士顿房价预测 2.1 数据转换与分析 2.2 根据历史报价(报价字典) 2.3 KNN-K近邻估计 2.4 线性回归 2.4.1...

机器学习算法与Python实践之(七)逻辑回归(Logistic Regression)

http://blog.csdn.net/zouxy09/article/details/20319673 机器学习算法与Python实践之(七)逻辑回归(Logistic Regression) zouxy09@qq.com http://blog.csdn.net/zouxy09 机器学习算法与Python实践这个系列主要是参考《机器学习实战》这本书...

OpenCV 2.4+ C++ 行人检测

HOG特征描述 首先我们来了解一下HOG特征描述子。 HOG特征描述子(HOG descriptors)是由Navneet Dalal和 Bill Triggs在2005年的一篇介绍行人检测方法的论文提到的特征描述子(论文以及演讲可参见参考资料1、2)。 其主要思想是计算局部图像梯度的方向信息的统计值,来作为该图像的局部特征值。 如上图,归一化图像后,...

CS231N 数据预处理(data proprecessing)

原文链接:https://blog.csdn.net/weixin_38646522/article/details/79534677 一些数据预处理的标准方法有均值化数据和归一化数据。 零中心化的意义在上面已经详细的讲述了,这里就不在细讲。 归一化数据的意义在于让所有的特征都在相同的值域之内,并且让这些特征有相同的贡献。对于图像处理,在大部分情况下会进...

深度学习之Batch归一化

前言            以下内容是个人学习之后的感悟,转载请注明出处~ Batch归一化   在神经网络中,我们常常会遇到梯度消失的情况,比如下图中的sigmod激活函数,当离零点很远时,梯度基本为0。为了 解决这个问题,我们可以采用Batch归一化。                                                 ...