Sobel 边缘实现

#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include "opencv2/imgproc/imgproc.hpp"
#include <iostream>
using namespace cv;
// 非极大值抑制实现sobel竖直细化边缘
bool SobelVerEdge(cv::Mat srcImage, cv::Mat& resultImage)
{CV_Assert(srcImage.channels() == 1);srcImage.convertTo(srcImage, CV_32FC1);// 水平方向的 Sobel 算子cv::Mat sobelx = (cv::Mat_<float>(3, 3) << -0.125, 0, 0.125,-0.25, 0, 0.25,-0.125, 0, 0.125);cv::Mat ConResMat;// 卷积运算cv::filter2D(srcImage, ConResMat, srcImage.type(), sobelx);// 计算梯度的幅度cv::Mat graMagMat;cv::multiply(ConResMat, ConResMat, graMagMat);// 根据梯度幅度及参数设置阈值int scaleVal = 4;double thresh = scaleVal * cv::mean(graMagMat).val[0];cv::Mat resultTempMat = cv::Mat::zeros(graMagMat.size(), graMagMat.type());float* pDataMag = (float*)graMagMat.data;float* pDataRes = (float*)resultTempMat.data;const int nRows = ConResMat.rows;const int nCols = ConResMat.cols;for (int i = 1; i != nRows - 1; ++i) {for (int j = 1; j != nCols - 1; ++j) {// 计算该点梯度与水平或垂直梯度值大小比较结果bool b1 = (pDataMag[i * nCols + j] > pDataMag[i * nCols + j - 1]);bool b2 = (pDataMag[i * nCols + j] > pDataMag[i * nCols + j + 1]);bool b3 = (pDataMag[i * nCols + j] > pDataMag[(i - 1) * nCols + j]);bool b4 = (pDataMag[i * nCols + j] > pDataMag[(i + 1) * nCols + j]);// 判断邻域梯度是否满足大于水平或垂直梯度// 并根据自适应阈值参数进行二值化pDataRes[i * nCols + j] = 255 * ((pDataMag[i * nCols + j] > thresh) &&((b1 && b2) || (b3 && b4)));}}resultTempMat.convertTo(resultTempMat, CV_8UC1);resultImage = resultTempMat.clone();return true;
}// 图像直接卷积实现sobel
bool sobelEdge(const cv::Mat&  srcImage, cv::Mat& resultImage, uchar threshold)
{CV_Assert(srcImage.channels() == 1);// 初始化水平核因子Mat sobelx = (Mat_<double>(3, 3) << 1, 0, -1, 2, 0, -2, 1, 0, -1);// 初始化垂直核因子Mat sobely = (Mat_<double>(3, 3) << 1, 2, 1, 0, 0, 0, -1, -2, -1);resultImage = Mat::zeros(srcImage.rows - 2,srcImage.cols - 2, srcImage.type());double edgeX = 0;double edgeY = 0;double graMag = 0;for (int k = 1; k < srcImage.rows - 1; ++k) {for (int n = 1; n < srcImage.cols - 1; ++n) {edgeX = 0;edgeY = 0;// 遍历计算水平与垂直梯度for (int i = -1; i <= 1; ++i) {for (int j = -1; j <= 1; ++j) {edgeX += srcImage.at<uchar>(k + i, n + j) *sobelx.at<double>(1 + i, 1 + j);edgeY += srcImage.at<uchar>(k + i, n + j) *sobely.at<double>(1 + i, 1 + j);}}// 计算梯度模长graMag = sqrt(pow(edgeY, 2) + pow(edgeX, 2));// 二值化resultImage.at<uchar>(k - 1, n - 1) =((graMag > threshold) ? 255 : 0);}}return true;
}
// 图像卷积实现sobel 非极大值抑制
bool sobelOptaEdge(const cv::Mat& srcImage, cv::Mat& resultImage, int flag)
{CV_Assert(srcImage.channels() == 1);// 初始化sobel水平核因子cv::Mat sobelX = (cv::Mat_<double>(3, 3) << 1, 0, -1,2, 0, -2,1, 0, -1);// 初始化sebel垂直核因子cv::Mat sobelY = (cv::Mat_<double>(3, 3) << 1, 2, 1,0, 0, 0,-1, -2, -1);// 计算水平与垂直卷积cv::Mat edgeX, edgeY;filter2D(srcImage, edgeX, CV_32F, sobelX);filter2D(srcImage, edgeY, CV_32F, sobelY);// 根据传入参数确定计算水平或垂直边缘int paraX = 0;int paraY = 0;switch (flag){case 0: paraX = 1;paraY = 0;break;case 1:  paraX = 0;paraY = 1;break;case 2:  paraX = 1;paraY = 1;break;default: break;}edgeX = abs(edgeX);edgeY = abs(edgeY);cv::Mat graMagMat = paraX * edgeX.mul(edgeX) + paraY * edgeY.mul(edgeY);// 计算阈值 int scaleVal = 4;double thresh = scaleVal * cv::mean(graMagMat).val[0];resultImage = cv::Mat::zeros(srcImage.size(), srcImage.type());for (int i = 1; i < srcImage.rows - 1; i++){float* pDataEdgeX = edgeX.ptr<float>(i);float* pDataEdgeY = edgeY.ptr<float>(i);float* pDataGraMag = graMagMat.ptr<float>(i);// 阈值化和极大值抑制for (int j = 1; j < srcImage.cols - 1; j++){if (pDataGraMag[j] > thresh && ((pDataEdgeX[j] > paraX * pDataEdgeY[j] && pDataGraMag[j] >pDataGraMag[j - 1] && pDataGraMag[j] > pDataGraMag[j + 1]) ||(pDataEdgeY[j] > paraY * pDataEdgeX[j] && pDataGraMag[j] >pDataGraMag[j - 1] && pDataGraMag[j] > pDataGraMag[j + 1])))resultImage.at<uchar>(i, j) = 255;}}return true;
}
int main()
{cv::Mat srcImage = cv::imread("5.jpg", 0);if (!srcImage.data)return -1;cv::imshow("srcImage", srcImage);cv::Mat resultImage;// 非极大值抑制细化竖直sobel检测SobelVerEdge(srcImage, resultImage);cv::imshow("resultImage", resultImage);cv::Mat resultImage2;// 图像直接卷积实现sobel检测sobelEdge(srcImage, resultImage2, 100);cv::imshow("resultImage2", resultImage2);cv::Mat resultImage3;int flag = 2;// 图像卷积下非极大值抑制sobelOptaEdge(srcImage, resultImage3, 2);cv::imshow("resultImage3", resultImage3);cv::waitKey(0);return 0;
}

转载：http://blog.csdn.net/zhuwei1988

Sobel 边缘实现相关推荐

图像非极大值抑制 Sobel 边缘实现
bool SobelVerEdge(cv::Mat srcImage, cv::Mat& resultImage) {CV_Assert(srcImage.channels() == 1);s ...
python sobel滤波_python - 如何提高sobel边缘检测器的效率 - 堆栈内存溢出
即使您正在构建自己的库,您也绝对应该使用库进行卷积,它们将在后端用C或Fortran进行结果运算,这将大大加快速度. 但是,如果您愿意,可以自己做,使用线性可分离滤波器. 这是想法: 图片: 1 2 ...
图像直接卷积 Sobel 边缘实现
bool sobelEdge(const cv::Mat& srcImage, cv::Mat& resultImage,uchar threshold) {CV_Assert(src ...
OpenCV（十五）边缘检测1 -- Sobel算子（一阶微分算子，X、Y方向边缘检测）
目录一.边缘检测基础理论 1.作用: 2.分类 1.基于搜索 2.基于零穿越 3.算子比较二.Sobel算子基础理论 1.作用 2.原理及推导 3.更详细推导 4.Sobel函数二.实战 1.对 ...
【OpenCV 4开发详解】Sobel算子
本文首发于"小白学视觉"微信公众号,欢迎关注公众号本文作者为小白,版权归人民邮电出版社发行所有,禁止转载,侵权必究! 经过几个月的努力,小白终于完成了市面上第一本OpenCV 4 ...
OpenCV Sobel检测算子和Scharr检测算子
Sobel边缘检测算法比较简单,实际应用中效率比canny边缘检测效率要高,但是边缘不如Canny检测的准确,但是很多实际应用的场合,sobel边缘却是首选,Sobel算子是高斯平滑与微分操作的结合体 ...
灰度图像--图像增强 Robert算子、Sobel算子
灰度图像--图像增强 Robert算子.Sobel算子目录(?)[+] 开篇废话图像梯度介绍 Robert算子 Sobel算子代码结果总结学习DIP第36天转载请标明本文 ...
【数字图像处理】七.MFC图像增强之图像普通平滑、高斯平滑、Laplacian、Sobel、Prewitt锐化详解
本文主要讲述基于VC++6.0 MFC图像处理的应用知识,主要结合自己大三所学课程<数字图像处理>及课件进行讲解,主要通过MFC单文档视图实现显示BMP图像增强处理,包括图像普通平滑.高斯 ...
【Pytorch神经网络理论篇】 11 卷积网络模型+Sobel算子原理
1 视觉角度理解卷积神经网络 1.1 卷积神经网络与生物视觉系统的关系卷积神经网络的工作流程与生物大脑的处理视觉信号的流程相似,即:将图像从基础像素到局部信息再到整体信息的转化.大脑在对图像进行分级 ...

Sobel 边缘实现

Sobel 边缘实现相关推荐

最新文章

热门文章