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
阿坡RPA2 小时前
手搓MCP客户端&服务端:从零到实战极速了解MCP是什么?
人工智能·aigc
用户27784491049932 小时前
借助DeepSeek智能生成测试用例:从提示词到Excel表格的全流程实践
人工智能·python
机器之心2 小时前
刚刚,DeepSeek公布推理时Scaling新论文,R2要来了?
人工智能
算AI4 小时前
人工智能+牙科:临床应用中的几个问题
人工智能·算法
凯子坚持 c5 小时前
基于飞桨框架3.0本地DeepSeek-R1蒸馏版部署实战
人工智能·paddlepaddle
你觉得2055 小时前
哈尔滨工业大学DeepSeek公开课:探索大模型原理、技术与应用从GPT到DeepSeek|附视频与讲义下载方法
大数据·人工智能·python·gpt·学习·机器学习·aigc
8K超高清6 小时前
中国8K摄像机:科技赋能文化传承新图景
大数据·人工智能·科技·物联网·智能硬件
hyshhhh6 小时前
【算法岗面试题】深度学习中如何防止过拟合?
网络·人工智能·深度学习·神经网络·算法·计算机视觉
薛定谔的猫-菜鸟程序员6 小时前
零基础玩转深度神经网络大模型:从Hello World到AI炼金术-详解版(含:Conda 全面使用指南)
人工智能·神经网络·dnn
币之互联万物6 小时前
2025 AI智能数字农业研讨会在苏州启幕,科技助农与数据兴业成焦点
人工智能·科技