opencv c++ 图像梯度、边缘、锐化

原创已于 2023-10-08 15:22:13 修改 · 5.6k 阅读

35 ·

CC 4.0 BY-SA版权

文章标签：

#opencv #计算机视觉 #人工智能

于 2022-11-30 15:18:21 首次发布

opencv c++ 专栏收录该内容

46 篇文章

订阅专栏

本文详细介绍了图像梯度的目的，包括获取像素值的突变信息。讲解了L2和L1法计算梯度，并通过robot、Sobel和Scharr算子的代码示例展示了如何获取梯度图像。此外，还探讨了拉普拉斯算子和锐化算子在边缘检测和图像锐化中的应用，包括USM（Unsharp Mask）锐化的实现。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

图像梯度的目的：

获取图像上沿着某一方向或多个方向上，像素值的突变图像。

即：

对满足 $x_{1},x_{2},...,x_{n}$ 之间相互独立的函数， $f\left ( x_{1},...,x_{n} \right )$

求 $f'(x_{1})+...+f'(x_{n})$ ，

1、预备知识

1.1、常见的梯度计算算子

1.2、梯度计算方法

L2法：

L1法：

1.3如何获取梯度图像

分别使用x、y方向的算子，在原始图像上卷积来获取Gx，Gy，然后选用梯度计算方法来获取对应像素点的梯度值。

2、代码示例

2.1robot算子

void self_conv(Mat& image)
{
	//robot 梯度计算
	Mat robot_x = (Mat_<int>(2, 2) << 1, 0, 0, -1);//自定义Mat核
	Mat robot_y = (Mat_<int>(2, 2) << 0, 1, -1, 0);
	Mat grad_x,grad_y;
	filter2D(image, grad_x, CV_32F, robot_x, Point(-1, -1), 0, BORDER_DEFAULT);
	filter2D(image, grad_y, CV_32F, robot_y, Point(-1, -1), 0, BORDER_DEFAULT);
	convertScaleAbs(grad_x, grad_x);//该API将图像格式转为CV_8U格式，并将所有像素值置为正。
	convertScaleAbs(grad_y, grad_y);
	Mat result;
	add(grad_x, grad_y, result);
	namedWindow("robot img", WINDOW_FREERATIO);
	imshow("robot img", result);
}

2.2sobel算子

注：也可仿照robot算子示例输入3×3的卷积核，并赋予对应的sobel值进行梯度图像获取。

opencvAPI调用示例：

void self_conv(Mat& image)
{
	
	Mat grad_x,grad_y;
	Sobel(image, grad_x, CV_32F, 1, 0);
	Sobel(image, grad_y, CV_32F, 0, 1);
	convertScaleAbs(grad_x, grad_x);//该API将图像格式转为CV_8U格式，并将所有像素值置为正。
	convertScaleAbs(grad_y, grad_y);
	Mat result2;
	//add(grad_x, grad_y, result2);
	addWeighted(grad_x, 0.5, grad_y, 0.5, 0, result2);
	namedWindow("sobel img", WINDOW_FREERATIO);
	imshow("sobel img", result2);
}

2.3Scharr算子

void self_conv(Mat& image)
{
	
	Mat grad_x,grad_y;
	Scharr(image, grad_x, CV_32F, 1, 0);
	Scharr(image, grad_y, CV_32F, 0, 1);
	convertScaleAbs(grad_x, grad_x);//该API将图像格式转为CV_8U格式，并将所有像素值置为正。
	convertScaleAbs(grad_y, grad_y);
	Mat result3;
	//add(grad_x, grad_y, result2);
	addWeighted(grad_x, 0.5, grad_y, 0.5, 0, result3);
	namedWindow("Scharr img", WINDOW_FREERATIO);
	imshow("Scharr img", result3);
}

结果：

3、拉普拉斯算子进行边缘获取、锐化

即二阶导数的图像应用。

3.1、拉普拉斯算子与锐化算子

拉普拉斯算子：

分别为：四邻域算子、八邻域算子、变种算子。

拉普拉斯算子缺点：当图像细节较多时，难以去除这些细节的影响，需要与图像阈值化进行搭配使用。

锐化算子：原图加上拉普拉斯算子的结果，本质为图像增强。

3.2、代码示例

拉普拉斯：

void Laplacian_demo(Mat& image)
{
	Mat dst;
	Laplacian(image, dst, -1, 3, 1.0, 0, BORDER_DEFAULT);
	namedWindow("Laplacian", WINDOW_FREERATIO);
	imshow("Laplacian", dst);
}

锐化：

由于没有现有的API，下列代码由filter2D加上自定义Mat方法实现。

void QuickDemo::image_descent(Mat& image)
{
	//定义锐化算子
	Mat sharp = (Mat_<int>(3, 3) << 0, -1, 0,
									-1, 5, -1,
									0, -1, 0);
	Mat result;
	filter2D(image, result, -1, sharp, Point(-1, -1), 0, BORDER_DEFAULT);
	convertScaleAbs(result, result);
	namedWindow("sharp img", WINDOW_FREERATIO);
	imshow("sharp img", result);
}

4、USM(unsharp mask)锐化

权重化减法锐化公式：

sharp_img = α×blur - β×laplacian

优点：忽视细小细节着重对有用部分边缘进行锐化。

void usm_sharp(Mat& image)
{
	Mat blur_img, lap_img;
	GaussianBlur(image, blur_img, Size(3, 3), 0, 0, BORDER_DEFAULT);
	Laplacian(image, lap_img, -1, 1, 1.0, 0, BORDER_DEFAULT);
	Mat usm_img;
	addWeighted(blur_img, 1, lap_img, -0.7, 0, usm_img, -1);
	namedWindow("usm_sharp img", WINDOW_FREERATIO);
	imshow("usm_sharp img", usm_img);

}