OpenCV图像滤波(15)梯度计算函数Scharr()的使用

  • 操作系统:ubuntu22.04
  • OpenCV版本:OpenCV4.9
  • IDE:Visual Studio Code
  • 编程语言:C++11

算法描述

函数使用 Scharr 运算符计算图像的第一个 x- 或 y- 空间导数。

调用
Scharr(src, dst, ddepth, dx, dy, scale, delta, borderType) \texttt{Scharr(src, dst, ddepth, dx, dy, scale, delta, borderType)} Scharr(src, dst, ddepth, dx, dy, scale, delta, borderType)

等同于
Sobel(src, dst, ddepth, dx, dy, FILTERSCHARR, scale, delta, borderType) \texttt{Sobel(src, dst, ddepth, dx, dy, FILTERSCHARR, scale, delta, borderType)} Sobel(src, dst, ddepth, dx, dy, FILTERSCHARR, scale, delta, borderType)

Scharr() 函数是 OpenCV 中用于计算图像梯度的一个函数,它是一种改进的 Sobel 操作算子,能够提供更精确的梯度估计。Scharr() 函数通常用于边缘检测和特征提取等图像处理任务中。

函数原型

cpp 复制代码
void cv::Scharr
(
	InputArray 	src,
	OutputArray 	dst,
	int 	ddepth,
	int 	dx,
	int 	dy,
	double 	scale = 1,
	double 	delta = 0,
	int 	borderType = BORDER_DEFAULT 
)		

参数

  • 参数src 输入图像。
  • 参数dst 与 src 具有相同大小和通道数的输出图像。
  • 参数ddepth 输出图像深度,参见 combinations
  • 参数dx x 方向导数的阶数。
  • 参数dy y 方向导数的阶数。
  • 参数scale 可选的缩放因子,应用于计算出的导数值;默认情况下,不应用任何缩放(参见 getDerivKernels 以获取更多细节)。
  • 参数delta 可选的 delta 值,在存储结果之前添加到结果中。
  • 参数borderType 像素外推方法,参见 BorderTypes。BORDER_WRAP 不受支持。

代码示例

cpp 复制代码
#include <iostream>
#include <opencv2/opencv.hpp>

int main()
{
    // 加载图像
    cv::Mat img = cv::imread( "/media/dingxin/data/study/OpenCV/sources/images/erik.jpg", cv::IMREAD_GRAYSCALE );

    if ( img.empty() )
    {
        std::cout << "无法加载图像,请检查路径是否正确。" << std::endl;
        return -1;
    }
    cv::Size sz2Sh( 400, 600 );
    cv::resize( img, img, sz2Sh, 0, 0, cv::INTER_LINEAR_EXACT );
    // 计算 x 方向和 y 方向的梯度
    cv::Mat grad_x, grad_y;
    cv::Mat abs_grad_x, abs_grad_y;

    cv::Scharr( img, grad_x, CV_32F, 1, 0 );  // 计算 x 方向梯度
    cv::Scharr( img, grad_y, CV_32F, 0, 1 );  // 计算 y 方向梯度

    // 转换为绝对值
    cv::convertScaleAbs( grad_x, abs_grad_x );
    cv::convertScaleAbs( grad_y, abs_grad_y );

    // 显示结果
    cv::namedWindow( "Original Image", cv::WINDOW_NORMAL );
    cv::imshow( "Original Image", img );

    cv::namedWindow( "Gradient X", cv::WINDOW_NORMAL );
    cv::imshow( "Gradient X", abs_grad_x );

    cv::namedWindow( "Gradient Y", cv::WINDOW_NORMAL );
    cv::imshow( "Gradient Y", abs_grad_y );

    cv::waitKey( 0 );  // 等待按键

    return 0;
}

运行结果

相关推荐
会飞锦鲤2 分钟前
基于 RT-DETR 的 PCB 缺陷检测
深度学习·目标检测·计算机视觉·pyqt5·rt-detr·工业质检·pcb缺陷检测
陈如水8 分钟前
Spring AI Alibaba 在多 Agent 场景下的实践
java·人工智能·spring
瓶瓶持续学习中41 分钟前
物理AI与具身智能的技术架构区别:从空间建模到机器人动作执行
人工智能·机器人
羲云网络1 小时前
GPT Image 2.6 精准编辑前,先排查参考图的访问权限与输入交接
图像处理·人工智能·aigc
snakeshe10101 小时前
ChatGLM行业垂直领域微调实战:从需求分析到数据集加载完整流程
人工智能
智联视频超融合平台5 小时前
视频 AI 的误报之战,正在从调参数卷到改架构
人工智能·大模型·边缘计算·视频监控·安防
水如烟5 小时前
孤能子视角:智能的边界不在算法强弱,在可形式化性——从概率法到因果推理,选择池的边界一直在那里
人工智能
万里侯7 小时前
日志聚类之后别把 noise 扔掉:降噪应该改变视图,不抹掉证据
人工智能·微服务·ai·容器·k8s
澹锦汐7 小时前
纯前端秋日银杏与枫叶落叶色板智能聚类器:基于 K-Means 色彩量化与直方图自动配方提取
前端·人工智能·ai·语言模型·vue·react·k-means