OpenCV CUDA模块图像过滤------创建一个 Sobel 滤波器函数createSobelFilter()

  • 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

该函数用于创建一个 Sobel 滤波器,用于在 GPU 上进行边缘检测。它基于图像的梯度计算:

  • dx 表示对 x 方向求导的阶数(0 或 1)
  • dy 表示对 y 方向求导的阶数(0 或 1)
  • 支持核大小为 1、3、5、7 等奇数尺寸(默认为 3)

由于是 CUDA 实现,适合大规模图像的高性能处理。

参数

参数名 类型 描述
srcType int 输入图像的数据类型。例如:CV_8UC1, CV_32FC4 等。
dstType int 输出图像的数据类型。通常与输入相同或转换为更高精度(如 CV_32F)。
dx int x 方向导数的阶数。取值为 0 或 1,表示是否对 x 方向求导。
dy int y 方向导数的阶数。取值为 0 或 1,表示是否对 y 方向求导。
ksize int Sobel 核大小,必须是正奇数,默认为 3。支持 1、3、5、7。
scale double 可选比例因子,默认为 1。可用于对结果进行缩放(如归一化)。
rowBorderMode int 垂直方向(行)的边界填充方式。常用值有 BORDER_DEFAULT, BORDER_REPLICATE 等。
columnBorderMode int 水平方向(列)的边界填充方式,默认为 -1,表示与 rowBorderMode 相同。

返回值

返回一个指向 cv::cuda::Filter 的智能指针 (Ptr),可以调用 .apply() 方法在 GPU 上执行 Sobel 边缘检测操作。

代码示例

以下是一个完整的使用 createSobelFilter 提取图像 x 和 y 方向梯度的示例代码:

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

int main() {
    // 读取图像并上传到 GPU
    cv::Mat h_input = cv::imread("/media/dingxin/data/study/OpenCV/sources/images/Lenna.png", cv::IMREAD_GRAYSCALE);
    if (h_input.empty()) {
        std::cerr << "无法加载图像!" << std::endl;
        return -1;
    }

    cv::cuda::GpuMat d_input, d_output_x, d_output_y;
    d_input.upload(h_input);

    // 创建 Sobel 滤波器(x方向)
    cv::Ptr<cv::cuda::Filter> sobelX = cv::cuda::createSobelFilter(
        d_input.type(),       // 输入类型
        CV_32F,               // 输出设为浮点型
        1,                    // x方向导数
        0,                    // y方向不导数
        3                     // 核大小
    );

    // 创建 Sobel 滤波器(y方向)
    cv::Ptr<cv::cuda::Filter> sobelY = cv::cuda::createSobelFilter(
        d_input.type(),
        CV_32F,
        0,
        1,
        3
    );

    // 应用滤波器
    sobelX->apply(d_input, d_output_x);
    sobelY->apply(d_input, d_output_y);

    // 下载结果并归一化显示
    cv::Mat h_output_x, h_output_y;
    d_output_x.download(h_output_x);
    d_output_y.download(h_output_y);

    cv::Mat out_x_u8, out_y_u8;
    cv::normalize(h_output_x, out_x_u8, 0, 255, cv::NORM_MINMAX, CV_8U);
    cv::normalize(h_output_y, out_y_u8, 0, 255, cv::NORM_MINMAX, CV_8U);

    cv::imshow("Sobel X", out_x_u8);
    cv::imshow("Sobel Y", out_y_u8);
    cv::waitKey(0);

    return 0;
}

运行结果

相关推荐
AndrewHZ20 分钟前
【图像处理基石】如何对遥感图像进行实例分割?
图像处理·人工智能·python·大模型·实例分割·detectron2·遥感图像分割
CodeShare1 小时前
某中心将举办机器学习峰会
人工智能·机器学习·数据科学
那就摆吧1 小时前
U-Net vs. 传统CNN:为什么医学图像分割需要跳过连接?
人工智能·神经网络·cnn·u-net·医学图像
深度学习实战训练营1 小时前
中英混合的语音识别XPhoneBERT 监督的音频到音素的编码器结合 f0 特征LID
人工智能·音视频·语音识别
WADesk---瓜子1 小时前
用 AI 自动生成口型同步视频,短视频内容也能一人完成
人工智能·音视频·语音识别·流量运营·用户运营
星环科技TDH社区版2 小时前
AI Agent 的 10 种应用场景:物联网、RAG 与灾难响应
人工智能·物联网
时序之心2 小时前
ICML 2025 | 深度剖析时序 Transformer:为何有效,瓶颈何在?
人工智能·深度学习·transformer
希艾席帝恩2 小时前
拥抱智慧物流时代:数字孪生技术的应用与前景
大数据·人工智能·低代码·数字化转型·业务系统
Bar_artist2 小时前
离线智能破局,架构创新突围:RockAI与中国AI的“另一条车道”
大数据·人工智能
双向332 小时前
高性能MCP服务器架构设计:并发、缓存与监控
人工智能