記事がオリジナルの記事である場合、許可なく複製することはできません。
元のブロガーのブログアドレス：https : //blog.csdn.net/qq21497936
オリジナルのブロガーのブログナビゲーション：https : //blog.csdn.net/qq21497936/article/details / 102478062
この記事のブログアドレス：https : //blog.csdn.net/qq21497936/article/details/105425374
読者、知識は無限大、人材は乏しい、需要を変える、専門家を見つける、または自分で勉強する

ディレクトリ

ScharrフィルターとSobelオペレーターのエッジ検出

概観

SobelオペレーターとScharrフィルター

原理

ステップ1：xおよびy方向の導出

ステップ2：おおよその勾配を見つける

Scharr関数はSobelと同じですが、追加のステップがあります。

ステップ1：最初に2つのcv :: Matキャッシュを作成する

ステップ2：X方向の勾配を見つける

ステップ3：Y方向のグラデーションを見つける

ステップ4：グラデーションのマージ（概算）

シャール関数プロトタイプ

色変換機能

デモのソースコード

エンジニアリングテンプレート：対応するバージョン番号v1.36.0

OpenCV 開発コラム（ポータルをクリック）

OpenCV開発ノート（41）：scharrフィルターオペレーターのエッジ検出の詳細（グラフィック+理解しやすい+プログラムのソースコード）を学ぶために、8分かかります。

序文

赤いデブ男も来ます！！！

この章では、scharrrフィルターについて説明し、ソーベル演算子のエッジ検出を比較します。

デモ

デモ画像の結果の場所の図：

ScharrフィルターとSobelオペレーターのエッジ検出

概観

まず、ソーベル演算子のエッジ検出を理解します。Scharrフィルターは、実際にはソーベルの実際のプログラミング操作の移植ですが、カーネルマトリックスのデータを増やすだけであり、その精度はソーベル演算子のエッジ検出よりも高くなります。エッジ検出用のサブエッジ検出とScharrフィルター。

Sobelオペレーターエッジ検出の詳細については、「OpenCV開発ノート（39）：Sobelオペレーターエッジ検出（グラフィックス+理解しやすい+プログラムのソースコード）の詳細を学ぶために8分で説明します」を参照してください。

SobelオペレーターとScharrフィルター

ソーベルの計算は、より優れた検出効果を生み出し、ノイズに対するスムーズな抑制効果がありますが、取得されたエッジはより太くなり、誤ったエッジが表示される場合があります。

画像がより複雑になると、ターゲットと背景をしきい値で単純に分離することはできません。現時点では、エッジ検出法または面積拡大法のみを使用してください。最も一般的に使用されているエッジ検出法は、ソーベル演算子です。

Sobelオペレーターには、単純な方法、高速処理速度、滑らかで連続的なエッジという利点があります。欠点は、エッジが厚いことです。2値化プロセスのため、取得されたエッジは、しきい値の選択と大きな関係があります。

Sobel（）を呼び出すときは、実際にksizeを:: SCHARRに設定してそれを実現するか、Scharrフィルターのみを使用して、Sobel演算子よりも正確にすることができます。したがって、3x3フィルターを選択する場合は、Scharrフィルターが優先されます。速度はSobel（）と同じくらい高速です。

原理

ステップ1：xおよびy方向の導出

入力画像がIであるとします。

水平方向の変化：Iと奇数サイズのカーネルのたたみ込み。たとえば、カーネルのサイズが3の場合、Gxの計算結果は次のようになります。

垂直方向の変化：奇数サイズのカーネルでコンボリューションIたとえば、カーネルのサイズが3の場合、Gyの計算結果は次のようになります。

ステップ2：おおよその勾配を見つける

画像の各点で、GxとGyを組み合わせて、おおよその勾配を求めます。

さらに、代わりに簡単な公開アナウンスを使用することもできます。

Scharr関数はSobelと同じですが、追加のステップがあります。

ステップ1：最初に2つのcv :: Matキャッシュを作成する

// 使用Scharr滤波器
// 步骤一：先分别创建2个矩阵，共4个
cv::Mat gradXMat, absGradXMat;
cv::Mat gradYMat, absGradYMat;
// copy
mat = windowMat(cv::Range(srcMat.rows * 2, srcMat.rows * 3),
                cv::Range(srcMat.cols * 0, srcMat.cols * 1));

ステップ2：X方向の勾配を見つける

// 步骤二：求X方向的梯度
//cv::Sobel(grayMat3Channels, gradXMat, CV_16S, 1, 0, 3, 1, 1);
cv::Scharr(grayMat3Channels, gradXMat, CV_16S, 1, 0, 1, 0,);
cv::convertScaleAbs(gradXMat, absGradXMat);

ステップ3：Y方向のグラデーションを見つける

// 步骤三：求Y方向的梯度
//cv::Sobel(grayMat3Channels, gradYMat, CV_16S, 0, 1, 3, 1, 1);
cv::Scharr(grayMat3Channels, gradXMat, CV_16S, 0, 1, 1, 0,);
cv::convertScaleAbs(gradYMat, absGradYMat);

ステップ4：グラデーションのマージ（概算）

// 步骤四：合并梯度（近似）
cv::addWeighted(absGradXMat, 0.5, absGradYMat, 0.5, 0, dstMat);

シャール関数プロトタイプ

void Scharr( InputArray src,
           OutputArray dst,
           int ddepth,
           int dx,
           int dy, 
           double scale = 1,
           double delta = 0,
           int borderType = BORDER_DEFAULT );

パラメーター1： InputArrayタイプのイメージ、通常はcv :: Mat;
パラメーター2：タイプOutputArrayのdst、入力画像と同じサイズ。
パラメーター3： intタイプddepth、出力画像の深さ、 8ビットの入力画像により、結果が切り捨てられます。組み合わせは次のとおりです。

パラメーター4： int型dx、x方向の微分次数、1または0;
パラメーター5： int型dy、y方向の微分次数、1または0;
パラメータ6： doubleタイプのスケール、スケーリング計算の微分値のオプションのスケーリング係数、デフォルト値は1で、スケーリングが実行されないことを示します。
パラメーター7：結果にdstに格納する前に、結果にdoubleタイプのdetalおよびdeltaが追加されます。
パラメーター8： int型のborderType。通常、注意を払う必要はありません。

色変換機能

void convertScaleAbs(InputArray src,
                   OutputArray dst,
                   double alpha = 1,
                   double beta = 0);

パラメーター1： InputArrayタイプのイメージ、通常はcv :: Mat;
パラメータ2： OutputArrayタイプのdst、出力画像。
パラメーター3：ダブルタイプのアパ。
パラメータ4：タイプdoubleの深度。

（補足：実際、これはコントラストと明るさの調整に似ていますが、計算結果が0未満の場合は処理されないため、値が前方に借用され、代わりに白になります）。

デモのソースコード

void OpenCVManager::testScharr()
{
    QString fileName1 = "E:/qtProject/openCVDemo/openCVDemo/modules/openCVManager/images/11.jpg";
    cv::Mat srcMat = cv::imread(fileName1.toStdString());

    if(!srcMat.data)
    {
        qDebug() << __FILE__ << __LINE__
                 << "Failed to load image:" << fileName1;
        return;
    }

    int width = 300;
    int height = 200;
    cv::resize(srcMat, srcMat, cv::Size(width, height));

    cv::String windowName = _windowTitle.toStdString();
    cvui::init(windowName);


    cv::Mat dstMat;
    dstMat = cv::Mat::zeros(srcMat.size(), srcMat.type());
    cv::Mat windowMat = cv::Mat(cv::Size(dstMat.cols * 3, dstMat.rows * 4),
                                srcMat.type());
    int ksize = 1;   // 核心大小
    int sigmaX = 0;  // x方向的标准偏差
    int sigmaY = 0;  // y方向的标准偏差

    int ksize2 = 1;

    int sigmaS = 160;
    int sigmaR = 2;

    cvui::window(windowMat, dstMat.cols, 0, dstMat.cols, dstMat.rows, "settings");
    cv::Mat grayMat;
    cv::Mat grayMat3Channels;
    cv::Mat mat;
    cv::cvtColor(srcMat, grayMat, CV_BGR2GRAY);
    cv::cvtColor(grayMat, grayMat3Channels, CV_GRAY2BGR);
    while(true)
    {
        windowMat = cv::Scalar(0, 0, 0);
        // 原图先copy到左边
        cv::Mat leftMat = windowMat(cv::Range(0, srcMat.rows),
                                    cv::Range(0, srcMat.cols));
        cv::addWeighted(leftMat, 1.0f, srcMat, 1.0f, 0.0f, leftMat);
        // 中间为调整滤波参数的相关设置
        cvui::printf(windowMat, width * 2 + 75, 20, "ksize = size *  2 + 1");
        cvui::trackbar(windowMat, width * 2 + 75, 30, 165, &ksize, 0, 10);

        cvui::printf(windowMat, width * 2 + 75, 80, "sigmaX");
        cvui::trackbar(windowMat, width * 2 + 75, 90, 165, &sigmaX, 0, 100);

        cvui::printf(windowMat, width * 2 + 75, 140, "sigmaY");
        cvui::trackbar(windowMat, width * 2 + 75, 150, 165, &sigmaY, 0, 100);

        // 复制灰度图像
        {
            cv::Mat rightMat = windowMat(cv::Range(srcMat.rows * 1, srcMat.rows * 2),
                                         cv::Range(srcMat.cols * 1, srcMat.cols * 2));
            cv::addWeighted(rightMat, 0.0f, grayMat3Channels, 1.0f, 0.0f, rightMat);
        }

        {
            // 高斯滤波
            cv::Mat mat;
            cv::GaussianBlur(grayMat3Channels, mat, cv::Size(ksize * 2 + 1, ksize * 2 + 1), sigmaX / 10.f, sigmaY / 10.f);

            // 高斯滤波后进行边缘检测
            // 使用Sobel边缘检测
            // 步骤一：先分别创建2个矩阵，共4个
            cv::Mat gradXMat, absGradXMat;
            cv::Mat gradYMat, absGradYMat;
            // 步骤二：求X方向的梯度
            cv::Sobel(mat, gradXMat, CV_16S, 1, 0, ksize2 * 2 + 1, 1, 1);
            cv::convertScaleAbs(gradXMat, absGradXMat);
            // 步骤三：求Y方向的梯度
            cv::Sobel(mat, gradYMat, CV_16S, 0, 1, ksize2 * 2 + 1, 1, 1);
            cv::convertScaleAbs(gradYMat, absGradYMat);
            // 步骤四：合并梯度（近似）
            cv::addWeighted(absGradXMat, 0.5, absGradYMat, 0.5, 0, dstMat);
            cv::Mat rightMat2 = windowMat(cv::Range(srcMat.rows * 1, srcMat.rows * 2),
                                          cv::Range(srcMat.cols * 0, srcMat.cols * 1));
            cv::addWeighted(rightMat2, 0.0f, dstMat, 1.0f, 0.0f, rightMat2);

        }
        {
            // 使用Sobel边缘检测
            // 步骤一：先分别创建2个矩阵，共4个
            cv::Mat gradXMat, absGradXMat;
            cv::Mat gradYMat, absGradYMat;
            // 步骤二：求X方向的梯度
            cv::Sobel(grayMat3Channels, gradXMat, CV_16S, 1, 0, ksize2 * 2 + 1, 1, 1);
            cv::convertScaleAbs(gradXMat, absGradXMat);
            // 步骤三：求Y方向的梯度
            cv::Sobel(grayMat3Channels, gradYMat, CV_16S, 0, 1, ksize2 * 2 + 1, 1, 1);
            cv::convertScaleAbs(gradYMat, absGradYMat);
            // 步骤四：合并梯度（近似）
            cv::addWeighted(absGradXMat, 0.5, absGradYMat, 0.5, 0, dstMat);
            // copy
            mat = windowMat(cv::Range(srcMat.rows * 2, srcMat.rows * 3),
                            cv::Range(srcMat.cols * 0, srcMat.cols * 1));
            cv::addWeighted(mat, 0.0f, dstMat, 1.0f, 0.0f, mat);
        }
        cvui::printf(windowMat, 75 + width * 2, height * 2 + 20, "sigmaS");
        cvui::trackbar(windowMat, 75 + width * 2, height * 2 + 50, 165, &sigmaS, 101, 10000);
        cvui::printf(windowMat, 75 + width * 2, height * 2 + 90, "sigmaR");
        cvui::trackbar(windowMat, 75 + width * 2, height * 2 + 120, 165, &sigmaR, 1, 100);
        cvui::printf(windowMat,
                     srcMat.cols * 2 + 75,
                     srcMat.rows * 1 + 100, "ksize");
        cvui::trackbar(windowMat,
                       srcMat.cols * 2 + 75,
                       srcMat.rows * 1 + 130,
                       165,
                       &ksize2,
                       0,
                       3);
        {
            // 使用自适应流形应用高维滤波。
            cv::Mat tempMat;
            cv::Ptr<cv::ximgproc::AdaptiveManifoldFilter> pAdaptiveManifoldFilter
                    = cv::ximgproc::createAMFilter(sigmaS/100.0f, sigmaR/100.0f, true);
            pAdaptiveManifoldFilter->filter(grayMat, tempMat);
            cv::cvtColor(tempMat, tempMat, CV_GRAY2BGR);
            // 使用Sobel边缘检测
            // 步骤一：先分别创建2个矩阵，共4个
            cv::Mat gradXMat, absGradXMat;
            cv::Mat gradYMat, absGradYMat;
            // 步骤二：求X方向的梯度
            cv::Sobel(tempMat, gradXMat, CV_16S, 1, 0, ksize2 * 2 + 1, 1, 1);
            cv::convertScaleAbs(gradXMat, absGradXMat);
            // 步骤三：求Y方向的梯度
            cv::Sobel(tempMat, gradYMat, CV_16S, 0, 1, ksize2 * 2 + 1, 1, 1);
            cv::convertScaleAbs(gradYMat, absGradYMat);
            // 步骤四：合并梯度（近似）
            cv::addWeighted(absGradXMat, 0.5, absGradYMat, 0.5, 0, dstMat);
            // copy
            mat = windowMat(cv::Range(srcMat.rows * 3, srcMat.rows * 4),
                            cv::Range(srcMat.cols * 0, srcMat.cols * 1));
            cv::addWeighted(mat, 0.0f, dstMat, 1.0f, 0.0f, mat);
        }

        {
            // 高斯滤波
            cv::Mat mat;
            cv::GaussianBlur(grayMat3Channels, mat, cv::Size(ksize * 2 + 1, ksize * 2 + 1), sigmaX / 10.f, sigmaY / 10.f);

            // 高斯滤波后进行边缘检测
            // 使用Sobel边缘检测
            // 步骤一：先分别创建2个矩阵，共4个
            cv::Mat gradXMat, absGradXMat;
            cv::Mat gradYMat, absGradYMat;
            // 步骤二：求X方向的梯度
//            cv::Sobel(mat, gradXMat, CV_16S, 1, 0, ksize2 * 2 + 1, 1, 1);
            cv::Scharr(mat, gradXMat, CV_16S, 1, 0, 1, 1);
            cv::convertScaleAbs(gradXMat, absGradXMat);
            // 步骤三：求Y方向的梯度
//            cv::Sobel(mat, gradYMat, CV_16S, 0, 1, ksize2 * 2 + 1, 1, 1);
            cv::Scharr(mat, gradYMat, CV_16S, 1, 0, 1, 1);
            cv::convertScaleAbs(gradYMat, absGradYMat);
            // 步骤四：合并梯度（近似）
            cv::addWeighted(absGradXMat, 0.5, absGradYMat, 0.5, 0, dstMat);
            cv::Mat rightMat2 = windowMat(cv::Range(srcMat.rows * 1, srcMat.rows * 2),
                                          cv::Range(srcMat.cols * 1, srcMat.cols * 2));
            cv::addWeighted(rightMat2, 0.0f, dstMat, 1.0f, 0.0f, rightMat2);
        }

        {
            // 使用Sobel边缘检测
            // 步骤一：先分别创建2个矩阵，共4个
            cv::Mat gradXMat, absGradXMat;
            cv::Mat gradYMat, absGradYMat;
            // 步骤二：求X方向的梯度
//            cv::Sobel(grayMat3Channels, gradXMat, CV_16S, 1, 0, ksize2 * 2 + 1, 1, 1);
            cv::Scharr(grayMat3Channels, gradXMat, CV_16S, 1, 0, 1, 1);
            cv::convertScaleAbs(gradXMat, absGradXMat);
            // 步骤三：求Y方向的梯度
//            cv::Sobel(grayMat3Channels, gradYMat, CV_16S, 0, 1, ksize2 * 2 + 1, 1, 1);
            cv::Scharr(grayMat3Channels, gradYMat, CV_16S, 1, 0, 1, 1);
            cv::convertScaleAbs(gradYMat, absGradYMat);
            // 步骤四：合并梯度（近似）
            cv::addWeighted(absGradXMat, 0.5, absGradYMat, 0.5, 0, dstMat);
            // copy
            mat = windowMat(cv::Range(srcMat.rows * 2, srcMat.rows * 3),
                            cv::Range(srcMat.cols * 1, srcMat.cols * 2));
            cv::addWeighted(mat, 0.0f, dstMat, 1.0f, 0.0f, mat);
        }
        {
            // 使用自适应流形应用高维滤波。
            cv::Mat tempMat;
            cv::Ptr<cv::ximgproc::AdaptiveManifoldFilter> pAdaptiveManifoldFilter
                    = cv::ximgproc::createAMFilter(sigmaS/100.0f, sigmaR/100.0f, true);
            pAdaptiveManifoldFilter->filter(grayMat, tempMat);
            cv::cvtColor(tempMat, tempMat, CV_GRAY2BGR);
            // 使用Sobel边缘检测
            // 步骤一：先分别创建2个矩阵，共4个
            cv::Mat gradXMat, absGradXMat;
            cv::Mat gradYMat, absGradYMat;
            // 步骤二：求X方向的梯度
//            cv::Sobel(tempMat, gradXMat, CV_16S, 1, 0, ksize2 * 2 + 1, 1, 1);
            cv::Scharr(tempMat, gradXMat, CV_16S, 1, 0, 1, 1);
            cv::convertScaleAbs(gradXMat, absGradXMat);
            // 步骤三：求Y方向的梯度
//            cv::Sobel(tempMat, gradYMat, CV_16S, 0, 1, ksize2 * 2 + 1, 1, 1);
            cv::Scharr(tempMat, gradYMat, CV_16S, 1, 0, 1, 1);
            cv::convertScaleAbs(gradYMat, absGradYMat);
            // 步骤四：合并梯度（近似）
            cv::addWeighted(absGradXMat, 0.5, absGradYMat, 0.5, 0, dstMat);
            // copy
            mat = windowMat(cv::Range(srcMat.rows * 3, srcMat.rows * 4),
                            cv::Range(srcMat.cols * 1, srcMat.cols * 2));
            cv::addWeighted(mat, 0.0f, dstMat, 1.0f, 0.0f, mat);
        }
        // 更新
        cvui::update();
        // 显示
        cv::imshow(windowName, windowMat);
        // esc键退出
        if(cv::waitKey(25) == 27)
        {
            break;
        }
    }
}

。

エンジニアリングテンプレート：対応するバージョン番号v1.36.0

対応するバージョン番号v1.36.0

オリジナルのブロガーのブログのアドレス：https://blog.csdn.net/qq21497936
オリジナルのブロガーがナビゲーションブログ：https://blog.csdn.net/qq21497936/article/details/102478062を
この記事のブログのアドレス：HTTPS：//ブログ.csdn.net / qq21497936 /記事/詳細/ 105425374

Red Fatty（Red Parody）ブログエキスパート

元の記事を260件公開しました・賞賛されました411 ・表示回数520,000回

彼のメッセージボードの懸念

OpenCV開発ノート（41）：赤いデブ男は、scharrフィルターオペレーターのエッジ検出について詳しく学ぶために8分でかかります

OpenCV 開発コラム（ポータルをクリック）

OpenCV開発ノート（41）：scharrフィルターオペレーターのエッジ検出の詳細（グラフィック+理解しやすい+プログラムのソースコード）を学ぶために、8分かかります。

序文

デモ

ScharrフィルターとSobelオペレーターのエッジ検出

概観

SobelオペレーターとScharrフィルター

原理

ステップ1：xおよびy方向の導出

ステップ2：おおよその勾配を見つける

Scharr関数はSobelと同じですが、追加のステップがあります。

ステップ1：最初に2つのcv :: Matキャッシュを作成する

ステップ2：X方向の勾配を見つける

ステップ3：Y方向のグラデーションを見つける

ステップ4：グラデーションのマージ（概算）

シャール関数プロトタイプ

色変換機能

デモのソースコード

エンジニアリングテンプレート：対応するバージョン番号v1.36.0

おすすめ