结果图
原理
Sobel算法是一种常用的边沿检测算法,它利用图像的灰度变革来检测图像中物体的边沿。Sobel算法主要包罗以下几个步调:
灰度化: 起首将彩色图像转换为灰度图像,因为灰度图像只包含单通道的灰度信息,有利于边沿检测处置处罚。
盘算水平和垂直方向的梯度: 对灰度图像进行水平和垂直方向的滤波操作。分别利用Sobel算子对图像进行卷积操作,Sobel算子是一个3x3的矩阵,用于对图像的每个像素进行加权求和,以便捕捉到图像中灰度变革最为明显的地方。水平方向的Sobel算子通常表现为Gx,垂直方向的Sobel算子通常表现为Gy。
归并梯度: 盘算水平和垂直方向梯度的幅值,通常利用以下公式来归并水平和垂直方向的梯度:
[ G = \sqrt{G_x^2 + G_y^2} ]
此中,(G) 表现综合梯度,(G_x) 和 (G_y) 分别表现水平和垂直方向的梯度。
阈值处置处罚: 对归并后的梯度图像进行阈值处置处罚,通过设置合适的阈值来筛选出明显的边沿,抑制一些非边沿的干扰信息。
非极大值抑制: 进一步细化边沿位置,通过保存局部梯度最大的像素值,抑制其他非最大值的像素,以得到更细化、更正确的边沿信息。
总的来说,Sobel算法通过盘算图像中每个像素点的梯度值,从而找到图像中灰度变革明显的位置,辨认物体的边沿信息。这种方法在盘算上比力简单,且结果比力稳固,因此被广泛应用在图像处置处罚范畴中的边沿检测任务中。
源码
- // Sobel算子
- int sobelOperator(const QImage &image, int x, int y)
- {
- int gx = 0, gy = 0;
- // Sobel算子
- int sobelX[3][3] = {{-1, 0, 1},
- {-2, 0, 2},
- {-1, 0, 1}};
- int sobelY[3][3] = {{-1, -2, -1},
- {0, 0, 0},
- {1, 2, 1}};
- // 遍历Sobel算子的3x3邻域
- for (int i = -1; i <= 1; ++i) {
- for (int j = -1; j <= 1; ++j) {
- // 获取邻域内的像素值,超出边界的像素使用0代替
- int pixelX = qBound(0, x + i, image.width() - 1);
- int pixelY = qBound(0, y + j, image.height() - 1);
- QColor pixelColor(image.pixel(pixelX, pixelY));
- // 计算梯度值
- gx += sobelX[i + 1][j + 1] * pixelColor.red();
- gy += sobelY[i + 1][j + 1] * pixelColor.red();
- }
- }
- // 计算梯度的幅值
- int gradientMagnitude = qAbs(gx) + qAbs(gy);
- // 对梯度值进行归一化处理,确保在[0, 255]范围内
- gradientMagnitude = qBound(0, gradientMagnitude, 255);
- return gradientMagnitude;
- }
- // 边缘检测函数
- QImage detectEdges(const QImage &inputImage)
- {
- QImage outputImage(inputImage.size(), inputImage.format());
- for (int y = 0; y < inputImage.height(); ++y) {
- for (int x = 0; x < inputImage.width(); ++x) {
- // 对每个像素应用Sobel算子
- int gradientMagnitude = sobelOperator(inputImage, x, y);
- // 将梯度值作为边缘强度,用灰度值表示
- outputImage.setPixelColor(x, y, QColor(gradientMagnitude, gradientMagnitude, gradientMagnitude));
- }
- }
- return outputImage;
- }
复制代码 免责声明:如果侵犯了您的权益,请联系站长,我们会及时删除侵权内容,谢谢合作!更多信息从访问主页:qidao123.com:ToB企服之家,中国第一个企服评测及商务社交产业平台。 |