欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

图像处理之应用卷积– 轧花与边缘检测

程序员文章站 2022-07-15 22:34:34
...

关于什么是卷积,如何理解卷积 参见这里:

http://blog.csdn.net/jia20003/article/details/7038938

一:轧花

轧花算子(embossfilter)

对一幅数字图像一阶微分结果即可得到轧花效果,根据不同的算子,轧花又

可以分为凹效果与凸效果两种。两个个最简单的轧花算子为:

图像处理之应用卷积– 轧花与边缘检测

轧花算子又称为双极性算子,1对图像的贡献意味着平滑,-1对图像的贡献

意味着突出细节,于是最终就得出了双极性的轧花效果。

处理过程:

a.读取图像像素

b.使用轧花算子完成对像素数组的卷积操作

c.整体亮度提升效果– 高斯亮度/基于阈值/直接常量提升

轧花滤镜效果:左边为原图, 右边为轧花处理以后效果

图像处理之应用卷积– 轧花与边缘检测

二:边缘提取

Edge detection是图像处理中非常重要而且也是十分常用的图像处理手段之一,边缘提取是

图像二值化的基本步骤之一。边缘提取从本质上来说是高通滤波,从数字信号的角度看,就

是要保留高频信号,去掉低频信号,因此边缘提取有很多频率域算子,将图像完成FFT之后

在频率域完成高通滤波再转到空间域。显然计算量比较大,空间域最经典的边缘提取算法之

一Candy Edge Detection有着非常好的效果。

这里只是抛砖引玉,完成一个最简单基于卷积的空间域边缘提取算子,算子为:

图像处理之应用卷积– 轧花与边缘检测

完成卷积以后的效果如下:

图像处理之应用卷积– 轧花与边缘检测

对于灰度图完成边缘提取以后效果如下:

图像处理之应用卷积– 轧花与边缘检测

基于卷积还可以完成图像的锐化(Sharp Filter),让图像上的差异更加明显。

一个简单的Sharp Filter可以为

图像处理之应用卷积– 轧花与边缘检测

得到的效果如下:

图像处理之应用卷积– 轧花与边缘检测

完成轧花卷积的代码如下:

	@Override
	public BufferedImage filter(BufferedImage src, BufferedImage dest) {
		int width = src.getWidth();
        int height = src.getHeight();

        if ( dest == null )
            dest = createCompatibleDestImage( src, null );

        int[] inPixels = new int[width*height];
        int[] outPixels = new int[width*height];
        src.getRGB( 0, 0, width, height, inPixels, 0, width );
		int index = 0;
		int index2 = 0;
		int r=0, g=0, b=0;
		for ( int y = 0; y < height; y++ ) {
			for ( int x = 0; x < width; x++ ) {
				int ta = 255, tr = 0, tg = 0, tb = 0;
				for(int fr = 0; fr < filterRow; fr++) {
					int rowoffset = y + fr;
					if(rowoffset < 0 || rowoffset >=height) {
						rowoffset = y;
					}
					for(int fc = 0; fc < filterCol; fc++) {
						int coloffset = fc + x;
						if(coloffset < 0 || coloffset >= width) {
							coloffset = x;
						}
						index2 = rowoffset * width + coloffset;
						int rgb1 = inPixels[index2];
						int r1 = (rgb1 >> 16) & 0xff;
						int g1 = (rgb1 >> 8) & 0xff;
						int b1 = rgb1 & 0xff;
						if(isOUT) {
							tr += r1 * outfilter[fr][fc];
							tg += g1 * outfilter[fr][fc];
							tb += b1 * outfilter[fr][fc];
						} else {
							tr += r1 * infilter[fr][fc];
							tg += g1 * infilter[fr][fc];
							tb += b1 * infilter[fr][fc];
						}
					}
				}
				
				tr += COLORCONSTANTS;
				tg += COLORCONSTANTS;
				tb += COLORCONSTANTS;
				r = PixelUtils.clamp(tr);
				g = PixelUtils.clamp(tg);
				b = PixelUtils.clamp(tb);
				outPixels[index] = (ta << 24) | (r << 16) | (g << 8) | b;
				index++;
			}
		}
        dest.setRGB( 0, 0, width, height, outPixels, 0, width );
        return dest;
	}

完成简单边缘检测的代码如下:

	private void filter(int[] inPixels, int[] outPixels, int height, int width, double[][] filterKernel) {
		int index = 0;
		int index2 = 0;
		int r=0, g=0, b=0;
		int semiColumn = filterKernel.length/2;
		int semiRow = filterKernel[0].length/2;
		for ( int y = 0; y < height; y++ ) {
			for ( int x = 0; x < width; x++ ) {
				int ta = 255, tr = 0, tg = 0, tb = 0;
				for(int fr = -semiRow; fr <= semiRow; fr++) {
					int rowoffset = y + fr;
					if(rowoffset < 0 || rowoffset >=height) {
						rowoffset = y;
					}
					for(int fc = -semiColumn; fc <= semiColumn; fc++) {
						int coloffset = fc + x;
						if(coloffset < 0 || coloffset >= width) {
							coloffset = x;
						}
						index2 = rowoffset * width + coloffset;
						int rgb1 = inPixels[index2];
						int r1 = (rgb1 >> 16) & 0xff;
						int g1 = (rgb1 >> 8) & 0xff;
						int b1 = rgb1 & 0xff;
						tr += ((double)r1 * filterKernel[fr + semiRow][fc + semiColumn]);
						tg += ((double)g1 * filterKernel[fr + semiRow][fc + semiColumn]);
						tb += ((double)b1 * filterKernel[fr + semiRow][fc + semiColumn]);
					}
				}
				
				if(enhanceBrightness) {
					tr += COLORCONSTANTS;
					tg += COLORCONSTANTS;
					tb += COLORCONSTANTS;
				}
				r = PixelUtils.clamp(tr);
				g = PixelUtils.clamp(tg);
				b = PixelUtils.clamp(tb);
				outPixels[index] = (ta << 24) | (r << 16) | (g << 8) | b;
				index++;
			}
		}
	}