OpenCV学习C++接口：图像锐化

利用拉普拉斯算子进行图像锐化是数字图像处理里比较简单的处理手段，下面的例子参考opencv 2 computer vision application programming cookbook，采用两种方法对输入图像进行拉普拉斯锐化，原理比较简单，故不赘述了。

编译环境：VS2010+OpenCV2.3.1

编程细节：

• 函数的形参表中，为了防止修改输入图像image，故形参传递为pass by conference-const，同时函数体中指向输入图像的指针也必须声明为指向const对象的指针，如const uchar *next = image.ptr<const uchar>(j);
• cv::Mat::row()返回由单行或者单列组成的特定的cv::Mat实例，cv::Scalar(a,b,c)指定每个通道的特定值；
• 第二种方法中，利用函数cv::filter2D()，需先创建一个核cv::Mat，并对核进行初始化。

code:

/***************************************************************
*
*   内容摘要：分别用两种方法对输入图像进行拉普拉斯算子锐化，并比较
*             两种方法的执行效率，从运行结果来看，第二种方法的效率
*             更高。
*   作    者：刘军（Jacky Liu）
*   完成日期：2012.8.12
*   参考资料：opencv 2 computer vision application programming 
*            cookbook
*
***************************************************************/

#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include <iostream>

//输入形参为pass by conference-const，保证输入的图像不会被修改，并且为传递引用
void sharpenImage0(const cv::Mat &image, cv::Mat &result)
{
    //为输出图像分配内存
    result.create(image.size(),image.type());
    
    /*滤波核为拉普拉斯核3x3：
                             0 -1 0
                            -1 5 -1
                             0 -1 0   
    */
    for(int j= 1; j<image.rows-1; ++j)
    {
        const uchar *previous = image.ptr<const uchar>(j-1);
        const uchar *current = image.ptr<const uchar>(j);
        const uchar *next = image.ptr<const uchar>(j+1);
        uchar *output = result.ptr<uchar>(j);
        for(int i= 1; i<image.cols-1; ++i)
        {
            *output++ = cv::saturate_cast<uchar>(5*current[i]-previous[i]-next[i]-current[i-1]-current[i+1]);  //saturate_cast<uchar>()保证结果在uchar范围内
        }
    }
    result.row(0).setTo(cv::Scalar(0));
    result.row(result.rows-1).setTo(cv::Scalar(0));
    result.col(0).setTo(cv::Scalar(0));
    result.col(result.cols-1).setTo(cv::Scalar(0));
}

void sharpenImage1(const cv::Mat &image, cv::Mat &result)
{
    //创建并初始化滤波模板
    cv::Mat kernel(3,3,CV_32F,cv::Scalar(0));
    kernel.at<float>(1,1) = 5.0;
    kernel.at<float>(0,1) = -1.0;
    kernel.at<float>(1,0) = -1.0;
    kernel.at<float>(1,2) = -1.0;
    kernel.at<float>(2,1) = -1.0;

    result.create(image.size(),image.type());
    
    //对图像进行滤波
    cv::filter2D(image,result,image.depth(),kernel);
}

int main(int argc, char* argv[])
{
    cv::Mat image = cv::imread("../boldt.jpg");
    cv::Mat image_gray;
    image_gray.create(image.size(),image.type());

    if(!image.data)
        return -1;
    if(image.channels() == 3)
        cv::cvtColor(image,image_gray,CV_RGB2GRAY);

    cv::Mat result;
    result.create(image_gray.size(),image_gray.type());
    double time_ = static_cast<double>(cv::getTickCount());
    sharpenImage0(image_gray,result);
    time_ = 1000*(static_cast<double>(cv::getTickCount())-time_)/cv::getTickFrequency();
    std::cout<<"time = "<<time_<<"ms"<<std::endl;

    cv::namedWindow("Image 1");
    cv::imshow("Image 1",result);

    cv::Mat result1;
    result1.create(image_gray.size(),image_gray.type());
    time_ = static_cast<double>(cv::getTickCount());
    sharpenImage1(image_gray,result1);
    time_ = 1000*static_cast<double>(cv::getTickCount()-time_)/cv::getTickFrequency();
    std::cout<<"time = "<<time_<<"ms"<<std::endl;

    cv::namedWindow("Image 2");
    cv::imshow("Image 2",result1);

    cv::waitKey();
    return 0;
}

 

运行结果：从运行结果来看，两种方法得出的效果基本一样。