Java 数字图像处理 - 罗伯逊算子

罗伯逊罗盘掩模是另一种用于边缘检测的导数掩模。该算子也称为方向掩模。在这个算子中，我们取一个掩模，并将其旋转到所有八个主要方向，以获得八个方向的边缘。

我们将使用OpenCV函数filter2D将罗伯逊算子应用于图像。它可以在Imgproc包中找到。其语法如下所示：

filter2D(src, dst, depth , kernel, anchor, delta, BORDER_DEFAULT );

函数参数如下所述：

序号	参数及说明
1	src 它是源图像。
2	dst 它是目标图像。
3	depth 它是dst的深度。负值（例如-1）表示深度与源相同。
4	kernel 它是要扫描图像的内核。
5	anchor 它是锚点相对于其内核的位置。默认情况下，位置Point(-1, -1)表示中心。
6	delta 它是卷积期间要添加到每个像素的值。默认值为0。
7	BORDER_DEFAULT 我们默认使用此值。

除了filter2D方法外，Imgproc类还提供了其他方法。它们简要描述如下：

序号	方法及说明
1	cvtColor(Mat src, Mat dst, int code, int dstCn) 它将图像从一个颜色空间转换为另一个颜色空间。
2	dilate(Mat src, Mat dst, Mat kernel) 它使用特定的结构元素膨胀图像。
3	equalizeHist(Mat src, Mat dst) 它均衡灰度图像的直方图。
4	filter2D(Mat src, Mat dst, int depth, Mat kernel, Point anchor, double delta) 它将图像与内核进行卷积。
5	GaussianBlur(Mat src, Mat dst, Size ksize, double sigmaX) 它使用高斯滤波器模糊图像。
6	integral(Mat src, Mat sum) 它计算图像的积分。

示例

以下示例演示了如何使用Imgproc类将罗伯逊算子应用于灰度图像。

import org.opencv.core.Core;
import org.opencv.core.CvType;
import org.opencv.core.Mat;

import org.opencv.highgui.Highgui;
import org.opencv.imgproc.Imgproc;

public class convolution {
   public static void main( String[] args ) {
   
      try {
         int kernelSize = 9;
         System.loadLibrary( Core.NATIVE_LIBRARY_NAME );
         
         Mat source = Highgui.imread("grayscale.jpg",  Highgui.CV_LOAD_IMAGE_GRAYSCALE);
         Mat destination = new Mat(source.rows(),source.cols(),source.type());
         
         Mat kernel = new Mat(kernelSize,kernelSize, CvType.CV_32F) {
            {
               put(0,0,-1);
               put(0,1,0);
               put(0,2,1);

               put(1,0-2);
               put(1,1,0);
               put(1,2,2);

               put(2,0,-1);
               put(2,1,0);
               put(2,2,1);
            }
         };	      
         
         Imgproc.filter2D(source, destination, -1, kernel);
         Highgui.imwrite("output.jpg", destination);
         
      } catch (Exception e) {
         System.out.println("Error: " + e.getMessage());
      }
   }
}

输出

执行给定代码时，将看到以下输出：

原始图像

此原始图像与如下所示的北边缘罗伯逊算子进行卷积：

北方向掩模

-1	0	1
-2	0	2
-1	0	1

卷积图像（罗伯逊北）

此原始图像也已与如下所示的东边缘罗伯逊算子进行卷积：

东方向掩模

-1	-2	-1
0	0	0
1	2	1

卷积图像（罗伯逊东）

打印页面