做网站前端需要编程基础吗,wordpress 首页文件,电子商务网站建设的目标是什么,带货平台图像变换是指将一幅图像变换为图像数据的另一种表现形式,例如将图像进行傅立叶变换,或者对图像进行X,Y方向的求导等,经过这些变换,可以将图像数据处理中的某些问题换一个别的角度想办法,所以图像变换是图像处理的时候比较常用的一种方法. 一.sobel算子 sobel算子是一个用于边缘…图像变换是指将一幅图像变换为图像数据的另一种表现形式,例如将图像进行傅立叶变换,或者对图像进行X,Y方向的求导等,经过这些变换,可以将图像数据处理中的某些问题换一个别的角度想办法,所以图像变换是图像处理的时候比较常用的一种方法. 一.sobel算子 sobel算子是一个用于边缘检测的离散微分算子,其结合了高斯平滑和微分求导,用于计算图像灰度函数的近似梯度,在图像的任何一点使用该函数,都将产生对应的梯度矢量或者是发矢量,简单地说,sobel算子适用于计算出图像像素点之间变化幅度的算子,而边缘的变化幅度是最剧烈的,所以sobel算子能用来做边缘检测. sobel算子分方向,在x,y方向指定阶数. API:void sobel(输入源,输出,int 输出图像深度,int X方向差分阶数,int y方向差分阶数,int sobel邻域核大小,double 可选的缩放因子,double 可选的delata值,double 边界模式) 注:源图像和目标图像尺寸类型一致,,输出图像的深度根据源图像的深度决定,默认为-1,输出图像必须比源图像的数据更宽,sobel核大小默认为3,只能为1,3,5,7其中之一,缩放因子默认为-1,不缩放,delate值默认为.0 实际功能代码如下 Mat srcImage,sobelxImage,sobelxAbsImage,sobelyImage,sobelyAbsImage,dstImage;const int g_sobelCoreMax 2;
int g_sobelCoreValue;const int g_deltaxMax 9;
int g_deltaxValue;const int g_deltayMax 9;
int g_deltayValue;void onTrackBarSobelCore(int pos,void* userData);
void onTrackBarSobelDeltax(int pos,void* userData);
void onTrackBarSobelDeltay(int pos,void* userData);int main(int argc,char* argv[])
{srcImage imread(F:\\opencv\\OpenCVImage\\sobel.jpg);namedWindow(src image);namedWindow(sobelx image);namedWindow(sobely image);namedWindow(sobelxy image);g_sobelCoreValue 0;g_deltaxValue 0;g_deltayValue 0;createTrackbar(core size, src image, g_sobelCoreValue, g_sobelCoreMax,onTrackBarSobelCore,0);createTrackbar(deltax value, src image, g_deltaxValue, g_deltaxMax,onTrackBarSobelDeltax,0);createTrackbar(deltay value, src image, g_deltayValue, g_deltayMax,onTrackBarSobelDeltay,0);onTrackBarSobelCore(g_sobelCoreValue, 0);imshow(src image, srcImage);moveWindow(src image, 0, 0);moveWindow(sobelx image, srcImage.cols, 0);moveWindow(sobely image, 0, srcImage.rows);moveWindow(sobelxy image, srcImage.cols, srcImage.rows);waitKey(0);return 0;
}void onTrackBarSobelCore(int pos,void* userData)
{int coreSize g_sobelCoreValue*23;int deltax g_deltaxValue1;int deltay g_deltayValue1;Sobel(srcImage, sobelxImage, CV_16S, deltax, 0,coreSize);Sobel(srcImage, sobelyImage, CV_16S, 0, deltay,coreSize);convertScaleAbs(sobelxImage, sobelxAbsImage);convertScaleAbs(sobelyImage, sobelyAbsImage);addWeighted(sobelxAbsImage, 0.5, sobelyAbsImage, 0.5, 0.0, dstImage);imshow(sobelx image, sobelxAbsImage);imshow(sobely image, sobelyAbsImage);imshow(sobelxy image, dstImage);
}void onTrackBarSobelDeltax(int pos,void* userData)
{int coreSize g_sobelCoreValue*23;int deltax g_deltaxValue1;int deltay g_deltayValue1;Sobel(srcImage, sobelxImage, CV_16S, deltax, 0,coreSize);Sobel(srcImage, sobelyImage, CV_16S, 0, deltay,coreSize);convertScaleAbs(sobelxImage, sobelxAbsImage);convertScaleAbs(sobelyImage, sobelyAbsImage);addWeighted(sobelxAbsImage, 0.5, sobelyAbsImage, 0.5, 0.0, dstImage);imshow(sobelx image, sobelxAbsImage);imshow(sobely image, sobelyAbsImage);imshow(sobelxy image, dstImage);
}void onTrackBarSobelDeltay(int pos,void* userData)
{int coreSize g_sobelCoreValue*23;int deltax g_deltaxValue1;int deltay g_deltayValue1;Sobel(srcImage, sobelxImage, CV_16S, deltax, 0,coreSize);Sobel(srcImage, sobelyImage, CV_16S, 0, deltay,coreSize);convertScaleAbs(sobelxImage, sobelxAbsImage);convertScaleAbs(sobelyImage, sobelyAbsImage);addWeighted(sobelxAbsImage, 0.5, sobelyAbsImage, 0.5, 0.0, dstImage);imshow(sobelx image, sobelxAbsImage);imshow(sobely image, sobelyAbsImage);imshow(sobelxy image, dstImage);
}当Ksize为1的时候,仅使用1*3内核或者3*1内核,而且没有平滑操作. 二.scharr算子 当sobel算子核大小为3的时候,因为计算使用的是导数的近似值,为了解决ksize为3的时候的误差问题,opencv引入了函数scharr,scharr和sobel一样快,但是结果更加精确 另外,对于sobel,因为目标图像的深度一般比源图像的深度更深,所以为了正常的显示目标图像,我们可以使用convertScalarAbs()函数,将深度缩放为八位数字图像,便于显示和保存. API:void scharr(源图像,目标图像, int 输出图像深度,int X方向差分阶数,int y方向差分阶数 ,double 可选的缩放因子,double 可选的delata值,double 边界模式) 注:和sobel相比少了一个邻域核大小,因为默认为3 使用例程代码如下 Mat srcImage,scharrxImage,scharrxAbsImage,scharryImage,scharryAbsImage,dstImage;
const int g_deltaxMax 0;
int g_deltaxValue;
const int g_deltayMax 0;
int g_deltayValue;
void onTrackBarScharrDeltax(int pos,void* userData);
void onTrackBarScharrDeltay(int pos,void* userData);int main(int argc,char* argv[])
{srcImage imread(F:\\opencv\\OpenCVImage\\scharr.jpg);namedWindow(src image);namedWindow(scharrx image);namedWindow(scharry image);namedWindow(scharrxy image);g_deltaxValue 0;g_deltayValue 0;createTrackbar(deltax value, src image, g_deltaxValue, g_deltaxMax,onTrackBarScharrDeltax,0);createTrackbar(deltay value, src image, g_deltayValue, g_deltayMax,onTrackBarScharrDeltay,0);onTrackBarScharrDeltax(g_deltaxValue,0);imshow(src image, srcImage);moveWindow(src image, 0, 0);moveWindow(scharrx image, srcImage.cols, 0);moveWindow(scharry image, 0, srcImage.rows);moveWindow(scharrxy image, srcImage.cols, srcImage.rows);waitKey(0);return 0;
}void onTrackBarScharrDeltax(int pos,void* userData)
{int deltax g_deltaxValue1;int deltay g_deltayValue1;Scharr(srcImage, scharrxImage, CV_16S, deltax, 0);Scharr(srcImage, scharryImage, CV_16S, 0, deltay);convertScaleAbs(scharrxImage, scharrxAbsImage);convertScaleAbs(scharryImage, scharryAbsImage);addWeighted(scharrxAbsImage, 0.5, scharryAbsImage, 0.5, 0.0, dstImage);imshow(scharrx image, scharrxAbsImage);imshow(scharry image, scharryAbsImage);imshow(scharrxy image, dstImage);
}
void onTrackBarScharrDeltay(int pos,void* userData)
{int deltax g_deltaxValue1;int deltay g_deltayValue1;Scharr(srcImage, scharrxImage, CV_16S, deltax, 0);Scharr(srcImage, scharryImage, CV_16S, 0, deltay);convertScaleAbs(scharrxImage, scharrxAbsImage);convertScaleAbs(scharryImage, scharryAbsImage);addWeighted(scharrxAbsImage, 0.5, scharryAbsImage, 0.5, 0.0, dstImage);imshow(scharrx image, scharrxAbsImage);imshow(scharry image, scharryAbsImage);imshow(scharrxy image, dstImage);
} 三.laplacian算子 (拉普拉斯算子) 有时候我们需要在X和y方向上同时差分,然后看整体的结果,这就需要用到laplacian算子,该算子是N维欧几里德空间中的二阶微分算子. 让一幅图的源图像减去其拉普拉斯算子的结果,图像的对比度将变得更强 API:void laplacian(源图像,目标图像,目标深度,int 邻域孔径尺寸,int 可选的缩放比例因子,int deleta可选值,int 边界模式); 注:图像深度和sobel一致,cv_8u对应cv_16s,ksize默认为1,且必须是正奇数. 实际上,laplacian是图像在x方向上的sobel算子和y方向上的sobel算子的和,使用这种算子之前,最好先进行图像的滤波操作,防止引入微笑误差. 使用代码 // lapacian拉普拉斯算子
Mat srcImage,srcImageGassianBlur,srcImageGray,laplacianImage,laplacianAbs;
const int g_coreSizeMax 5;
int g_coreSizeValue;
void onTrackBarCoreSize(int pos,void* userData);int main(int argc,char* argv[])
{srcImage imread(F:\\opencv\\OpenCVImage\\laplacian.jpg);GaussianBlur(srcImage, srcImageGassianBlur, Size(3,3), 0);cvtColor(srcImageGassianBlur, srcImageGray, CV_RGB2GRAY);namedWindow(src image);namedWindow(dst image);g_coreSizeValue 0;createTrackbar(core size, dst image, g_coreSizeValue, g_coreSizeMax,onTrackBarCoreSize,0);onTrackBarCoreSize(g_coreSizeValue, 0);imshow(src image, srcImage);moveWindow(src image, 0, 0);moveWindow(dst image, srcImage.cols, 0);waitKey(0);return 0;
}void onTrackBarCoreSize(int pos,void* userData)
{int coreSize g_coreSizeValue*2 1;Laplacian(srcImageGray, laplacianImage, CV_16S,coreSize);convertScaleAbs(laplacianImage, laplacianAbs);imshow(dst image, laplacianAbs);
} 四.canny边缘检测 边缘检测在工程上,有极大的应用,依靠边缘,确定物体的形状,检测产品的良好程度,canny算法,是opencv中提供的很不错的边缘检测算法,其检测边缘的步骤如下. 首先是滤波,使用高斯平滑滤波卷积降噪.然后是计算梯度幅值与方向,类似于sobel ,laplacian,第三是非极大值一致,排除掉不是边缘的像素,最后是之后阈值化,使用两个阈值,并且绑定的时候考虑颜色之间的关联关系(高低阈值的比例在1:2或者1:3之间). API:void canny(输入图像,输出图像,double 低与阈值,double 高阈值,int sobel算子孔径,bool 计算梯度幅值标志); 注:sobel算子孔径默认为3,计算梯度幅值的标记默认为false,低阈值用于控制图像边缘的连接,而高阈值用于控制边缘的初始点位置. 另外,使用canny检测算法之前,最好先对图像经过一次降噪处理. 使用例程如下 //低̨ª阈D值¦Ì和¨ª高?阈D值¦Ì默?认¨?1:3
//sobel算?子Á¨®孔¡Á径?只?能¨¹取¨?值¦Ì 3 5 7
//平?滑?滤?波¡§算?子Á¨®孔¡Á径? 3,5,7,9
Mat srcImage,grayImage,grayBlurImage,cannyImage,dstImage;const int g_blurSizeMax 3;//平?滑?滤?波¡§孔¡Á径?
int g_blurValue;
const int g_sobelSizeMax 2;//sobel孔¡Á径?
int g_sobelValue;
const int g_lowThresholdMax 80;//边À?缘¦Ì检¨¬测a低̨ª阈D值¦Ì
int g_lowThresholdValue;
int g_upThresholdValue;void onTrackBarBlurSize(int pos,void* userData);
void onTrackBarSobelSize(int pos,void* userData);
void onTrackBarLowThresholdSize(int pos,void* userData);int main(int argc,char* argv[])
{srcImage imread(F:\\opencv\\OpenCVImage\\canny2.jpg);if(srcImage.channels() ! 1){cvtColor(srcImage, grayImage, CV_BGR2GRAY);}else{grayImage srcImage.clone();}namedWindow(src image);namedWindow(dst image);g_blurValue 1;g_sobelValue 1;g_lowThresholdValue 3;g_upThresholdValue 9;createTrackbar(blur size, dst image, g_blurValue, g_blurSizeMax,onTrackBarBlurSize,0);createTrackbar(sobel size, dst image, g_sobelValue, g_sobelSizeMax,onTrackBarSobelSize,0);createTrackbar(low threshold, dst image, g_lowThresholdValue, g_lowThresholdMax,onTrackBarLowThresholdSize,0);onTrackBarBlurSize(g_blurValue, 0);imshow(src image, srcImage);moveWindow(src image, 0, 0);moveWindow(dst image, srcImage.cols, 0);waitKey(0);return 0;
}void onTrackBarBlurSize(int pos,void* userData)
{int blurValue g_blurValue*2 3;int sobelValue g_sobelValue*2 3;if (g_lowThresholdValue 0) {g_lowThresholdValue 1;}int lowThresholdValue g_lowThresholdValue;int upThresholdValue lowThresholdValue*3;//平?滑?滤?波¡§blur(srcImage, grayBlurImage, Size(blurValue,blurValue));//计?算?cannyCanny(grayBlurImage, cannyImage, lowThresholdValue, upThresholdValue,sobelValue);dstImage Scalar::all(0);srcImage.copyTo(dstImage, cannyImage);imshow(dst image, dstImage);
}
void onTrackBarSobelSize(int pos,void* userData)
{int blurValue g_blurValue*2 3;int sobelValue g_sobelValue*2 3;if (g_lowThresholdValue 0) {g_lowThresholdValue 1;}int lowThresholdValue g_lowThresholdValue;int upThresholdValue lowThresholdValue*3;//平?滑?滤?波¡§blur(srcImage, grayBlurImage, Size(blurValue,blurValue));//计?算?cannyCanny(grayBlurImage, cannyImage, lowThresholdValue, upThresholdValue,sobelValue);//用canny为掩码?,将src拷贝到dstimage中D,应为检测到的线条才会得到拷贝,所以,目标图上检测到的线条就会变成彩色条纹?dstImage Scalar::all(0);srcImage.copyTo(dstImage, cannyImage);imshow(dst image, dstImage);
}void onTrackBarLowThresholdSize(int pos,void* userData)
{int blurValue g_blurValue*2 3;int sobelValue g_sobelValue*2 3;if (g_lowThresholdValue 0) {g_lowThresholdValue 1;}int lowThresholdValue g_lowThresholdValue;int upThresholdValue lowThresholdValue*3;//平?滑?滤?波¡§blur(srcImage, grayBlurImage, Size(blurValue,blurValue));//计?算?cannyCanny(grayBlurImage, cannyImage, lowThresholdValue, upThresholdValue,sobelValue);dstImage Scalar::all(0);srcImage.copyTo(dstImage, cannyImage);imshow(dst image, dstImage);
} 转载于:https://www.cnblogs.com/dengxiaojun/p/5252234.html
