机器视觉中图像滤波处理应该是很基础，很重要的，本主题梳理下Laplace滤波的原理与实现；
拉普拉斯算子
数学表示
二阶导数的求值算法
- 假设计算图像中位置的二阶导数，表示图像位置的像素值。
二阶导数的离散表示
-
提示：
- 该公式的推导，见后面附录。
矩阵的哈达玛(Hadamard)积表示
- 矩阵Hadamard积，使用表示：
二阶导数的Hadamard积的和表示
-
提示：
- 到目前为止，完美的使用矩阵运算表示了离散图像的二阶导数表示。
附录一:离散二阶导数的推导
连续微分
- 假设函数为
-
一阶导数表示：
-
一阶导数的极限定义：
-
二阶微分的定义
离散导数
- 对离散的图像函数表示为，其中表示像素位置。
- 因为离散，所有无穷小量取值为1
-
一阶x右导数近似表示：
-
- 为1
-
-
一阶x左导数近似表示：
-
- 为1
-
-
二阶x导数近似表示：
-
- 为1
-
-
二阶y导数近似表示：
-
Laplace算子：
laplace算子的扩展与变形
说明
- 正是通过导数（梯度：变化状态或者变化速度），检测像素的变化强度；从而可以检测到图像的边缘。
- Sobel算子处理结果是像素的变化度效果；
- 二阶导数，就是最值点（严格来说是极值点），这样也可以检测到图像边缘（严肃变化最大处就是边缘）；
- 拉普拉斯算子处理结果是像素边缘效果（可能存在误报，比如：图像中的山背，很可能检测为边缘，实际可能不是物体边缘）
一阶导数的图像意义
- 一阶导数表示的梯度，梯度越大，表示图像像素变化越大。
- 周围没有变化的像素的梯度为0。
- 边缘处的像素肯定有比较强烈的变化，所以图像的一阶导数，可以检测到边缘，旦未必都是边缘。
二阶导数的图像意义
- 二阶导数可以衡量像素的变化强度，变化均匀的属于同一区域，变化最大的就应该是边缘，所以二阶导数用来检测边缘。
- 图像中像边缘但不是边缘的部分也会被检测到。
- 在某些无意义的点上，二阶导数也为0的，这样会被认为是边缘。
拉普拉斯算子实现
下面手工实现拉普拉斯算子，看看与OpenCV实现的差异。
-
图像如果想锐化处理，可以增强差异部分，产生更加清晰的效果。
一个完整实现的类
#include "imageprocess.h"
ImageProc::ImageProc():
filename_image(new cv::String("lotus.png")){
m_src = cv::imread(*filename_image);
}
ImageProc::ImageProc(const char *filename):
filename_image(new cv::String(filename)){
m_src = cv::imread(*filename_image);
}
ImageProc::~ImageProc(){
delete filename_image;
m_filter2d.release();
m_laplace.release();
m_channel.release();
m_channels.release();
m_src.release();
}
void ImageProc::filter2D(){
cv::Mat kernel = ( // 逗号初始化器
cv::Mat_(3, 3) <<
1.0, 1.0, 1.0,
1.0, -8.0, 1.0,
1.0, 1.0, 1.0
);
cv::filter2D(this->m_src, this->m_filter2d, -1, kernel, cv::Point(-1,-1), 0.0);
}
void ImageProc::laplace(){
cv::Laplacian(this->m_src, this->m_laplace, -1, 3, 1.0, 0.0);
}
void ImageProc::channel(){
// 转换为浮点数
cv::Mat in_img;
m_src.convertTo(in_img, CV_32FC3); // 从三通道单字节无符号整数，转换为三通道单精度小数
// 定义Laplace差分核（二阶导数）
cv::Mat kernel = ( // 便于cv::Mat，定义三通道单精度核。
cv::Mat_(3,3) <<
cv::Vec3f(1.0, 1.0, 1.0), cv::Vec3f( 1.0, 1.0, 1.0), cv::Vec3f(1.0, 1.0, 1.0),
cv::Vec3f(1.0, 1.0, 1.0), cv::Vec3f(-8.0, -8.0, -8.0), cv::Vec3f(1.0, 1.0, 1.0),
cv::Vec3f(1.0, 1.0, 1.0), cv::Vec3f( 1.0, 1.0, 1.0), cv::Vec3f(1.0, 1.0, 1.0)
);
// 获取图像行列
int rows = in_img.rows;
int cols = in_img.cols;
// 构造一个Padding图像，Padding补0, padding大小（1，1）
cv::Mat p_img(rows + 2 , cols + 2, in_img.type(), cv::Scalar_(0.0, 0.0, 0.0));
// 拷贝图像到padding图像
in_img.copyTo(p_img(cv::Range(1,rows+1), cv::Range(1, cols+1)));
// 定义输出（与源图像同大小与类型）
cv::Mat out_img(rows, cols, in_img.type());
// 5. 循环计算没有输出像素
for(int y = 0; y< rows; y++){
for(int x = 0; x< cols; x++){
// 获取padding图像的子图
cv::Mat sub = p_img(cv::Range(y, y + 3), cv::Range(x, x + 3)); // 子图大小为3
// 计算矩阵hadamard乘积
cv::Mat prod = sub.mul(kernel); // 子图与kernel矩阵的乘积
// 计算矩阵的和
cv::Scalar pixel = cv::sum(prod);
// 赋值结果到输出图像
out_img.at(y, x) = cv::Vec3f(pixel[0], pixel[1], pixel[2]);
}
}
out_img.convertTo(m_channel, CV_8UC3);
}
void ImageProc::channels(){
// 卷积核：三通道无符号字节整数
cv::Mat kernel = (
cv::Mat_(3,3) <<
cv::Vec3b(1, 1, 1), cv::Vec3b( 1, 1, 1), cv::Vec3b(1, 1, 1),
cv::Vec3b(1, 1, 1), cv::Vec3b(-8, -8, -8), cv::Vec3b(1, 1, 1),
cv::Vec3b(1, 1, 1), cv::Vec3b( 1, 1, 1), cv::Vec3b(1, 1, 1)
);
// 获取图像行列
int rows = m_src.rows;
int cols = m_src.cols;
// 构造一个Padding图像，Padding补0
cv::Mat p_img(rows + 2 , cols + 2, m_src.type(), cv::Scalar_(0, 0, 0));
// 拷贝图像到padding图像
m_src.copyTo(p_img(cv::Range(1, rows + 1), cv::Range(1, cols + 1)));
// 定义输出（与源图像同大小与类型）
cv::Mat m_out(rows, cols, m_src.type());
// 5. 循环计算没有输出像素
for(int y = 0; y< rows; y++){
for(int x = 0; x< cols; x++){
// 获取padding图像的子图
cv::Mat sub = p_img(cv::Range(y, y + 3), cv::Range(x, x + 3)); // 子图大小为3
// 计算矩阵hadamard乘积
cv::Mat prod = sub.mul(kernel); // 子图与kernel矩阵的乘积
// 计算矩阵的和
cv::Scalar pixel = cv::sum(prod);
// 赋值结果到输出图像
m_out.at(y, x) = cv::Vec3b(pixel[0], pixel[1], pixel[2]);
}
}
m_out.copyTo(m_channels);
}
filter2D滤波效果
通用卷积计算效果
Laplacian滤波效果
OpenCV的拉普拉斯滤波效果
小数计算滤波效果
使用cv::Mat实现的Laplace滤波
无符号字节整数计算滤波效果
数据溢出的滤波效果
思考
如果对图像2次一阶差分计算，产生的效果理论上应该是是一样的，但实际因为近似定义的模板，运行结果应该有差异。
锐化图像处理，其中二阶差分的系数在一般图像是否有一个在某个范围内的经验值？是的锐化图像效果最好？异或使用神经网络训练出一个服务于分类的最优值？
由于laplace算法本身的差分理论，所以对图像的噪音像素会产生放大效果。在图像预处理的时候，可能会使用高斯模糊先平滑处理，去掉部分噪音后在使用laplace提取边缘与轮廓。
-
因为颜色的通道尽管不一样，理论上三个通道的像素值的变化激烈度是一样的，所以可以肯定滴说，laplace不管采用什么方法计算，最后肯定是灰度图（三个通道的值一样）。
- 如果是彩色的，则只有两个原因：计算错误或者数据溢出产生的误差。
-
从运行效果来说，OpenCv的Laplacian滤波函数，使用的是4个方向的滤波核。
- 两个方向的滤波核的效果没有那个差异大。
附录：代码结构
- 界面类头文件
#ifndef DLG_OPENCV_H
#define DLG_OPENCV_H
#include
#include "ui_output.h"
#include "imageprocess.h"
class DlgLaplace: public QDialog{
Q_OBJECT // 使用signal与slot，记得添加这个宏（如果继承QObject类型，则可选）。
private:
Ui::ui_output *dlg;
ImageProc *proc;
void showImage();
void showImageOut(cv::Mat im);
public:
DlgLaplace(QWidget *parent = 0); // 编程套路
~DlgLaplace();
protected:
virtual void showEvent(QShowEvent *event);
private slots:
void channel();
void channels();
void filter2D();
void laplace();
};
#endif
- 计算类头文件
#ifndef IMAGE_PROCESS_H
#define IMAGE_PROCESS_H
#include
class ImageProc{
private:
cv::String *filename_image; // 文件名：std::string
public:
cv::Mat m_src; // 原始图像的数据结构
cv::Mat m_filter2d; // 输出图像：cv::filter2D
cv::Mat m_laplace; // 输出图像：cv::Laplacian
cv::Mat m_channel; // 输出图像：小数运算通道处理;
cv::Mat m_channels; // 输出图像：字节运算通道处理；
public:
ImageProc();
ImageProc(const char *filename);
~ImageProc();
void channel();
void channels();
void filter2D();
void laplace();
};
#endif // ! IMAGE_PROCESS_H