图像的一阶微分算子

于 2012-10-23 13:37:00 发布
阅读量1.9k 收藏 5
点赞数
文章标签： matlab 人工智能

概述

二元函数f(x,y)的一阶微分为fx=ʚf/ʚx或fx=ʚf/ʚy，图像的坐标表示如下：

假设一张图片的各像素为：

3 33333

355553

3 5 9 9 5 3

3 5 9 9 5 3

355553

3 33333

在往下进行介绍之前，先给出两个读图片和写图片的函数

算法源代码1（读图片和写图片）

/**
	 * 读取图片
	 * @param srcPath 图片的存储位置
	 * @return 返回图片的BufferedImage对象
	 */
	public static BufferedImage readImg(String srcPath) {
		BufferedImage img = null;
		try {
			img = ImageIO.read(new File(srcPath));			
		} catch (IOException e) {
			e.printStackTrace();
		}
		return img;
	}
	/**
	 * 将图片写入磁盘
	 * @param img 图像的BufferedImage对象
	 * @param formatName 存储的文件格式
	 * @param distPath 图像要保存的存储位置
	 */
	public static void writeImg(BufferedImage img, String formatName, String distPath) {
		OutputStream out = null;
		try {
			//int imgType = img.getType();			
			//System.out.println("w:" + img.getWidth() + "  h:" + img.getHeight());
			out = new FileOutputStream(distPath);			
			ImageIO.write(img, formatName, out);
		} catch (IOException e) {
			e.printStackTrace();
		} finally {
			try {
				if(out != null) {
					out.close();
				}				
			} catch (IOException e) {
				e.printStackTrace();
			}
		}
	}


水平微分算子

水平方向的微分算子是要获得图像在水平方向上的变化率。

定义

G=f(x-1,y-1)+2f(x,y-1)+f(x+1,y-1)–f(x-1,y+1)–2f(x,y+1)–f(x+1,y+1)

权系数矩阵模板


水平方向的微分算子处理结果：

0 0 0 0 0 0

0 -10 -20 -20 -10 0

0 -4 -12 -12 -4 0

0 4 12 12 4 0

0 10 20 20 10 0

0 0 0 0 0 0

为了能够正常显示处理后结果，将每个像素加上最小值的绝对值（如上面的|-20|），结果如下：

20 20 20 20 20 20

20 10 0 0 10 20

20 16 8 8 16 20

20 24 32 32 24 20

20 30 40 40 30 20

20 20 20 20 20 20

算法源代码2

/**
	 * 水平微分算子
	* @param srcPath 图片的存储位置
	 * @param distPath 图像要保存的存储位置
	 * @param formatName 图像要保存的存储位置
	 */
	public static void firstMomentX(String srcPath, String distPath, String formatName) {
		BufferedImage img = readImg(srcPath);		
		int w = img.getWidth();
		int h = img.getHeight();
		int pix[] = new int[w*h];
		        pix= img.getRGB(0, 0, w, h, pix, 0, w);
		pix = firstMomentX(pix, w, h);
		img.setRGB(0, 0, w, h, pix, 0, w);
		writeImg(img, formatName, distPath);
	}
	/**
	 * 水平微分算子
	 * @param pix 像素矩阵数组
	 * @param w 矩阵的宽
	 * @param h 矩阵的高
	 * @return 处理后的数组
	 */
	public static int[] firstMomentX(int[] pix, int w, int h) {
		int[] newpix = new int[w*h];
		ColorModel cm = ColorModel.getRGBdefault();
		int r, g, b;
		for(int y=0; y<h; y++) {
			for(int x=0; x<w; x++) {
				if(x!=0 && x!=w-1 && y!=0 && y!=h-1){
					//G=f(x-1,y-1) + 2f(x,y-1) + f(x+1,y-1) – f(x-1,y+1) – 2f(x,y+1) – f(x+1,y+1)
					r = cm.getRed(pix[x-1+(y-1)*w]) + 2* cm.getRed(pix[x+(y-1)*w]) +  cm.getRed(pix[x+1+(y-1)*w]) 
					              -  cm.getRed(pix[x-1+(y+1)*w]) - 2* cm.getRed(pix[x+(y+1)*w]) -  cm.getRed(pix[x+1+(y+1)*w]);
					 newpix[x+y*w] = 255<<24 | r<<16 | r<<8 | r;
				}					
			}
		}
		int temp = findMinInt(newpix);
		for(int i=0; i<newpix.length; i++) {
			newpix[i] = newpix[i] + temp;
		}
		return newpix;
	}


垂直微分算子

水平方向的微分算子是要获得图像在水平方向上的变化率。

定义

G=f(x-1,y-1)+2f(x-1,y)+f(x-1,y+1)-f(x+1,y-1)-2f(x+1,y)-f(x+1,y+1)

权系数矩阵模板


垂直方向的微分算子处理结果：

20 20 20 20 20 20

20 10 16 24 30 20

20 0 8 32 40 20

20 0 8 32 40 20

20 10 16 24 30 20

20 20 20 20 20 20

算法源代码3

/**
	 * 垂直微分算子
	* @param srcPath 图片的存储位置
	 * @param distPath 图像要保存的存储位置
	 * @param formatName 图像要保存的存储位置
	 */
	public static void firstMomentY(String srcPath, String distPath, String formatName) {
		BufferedImage img = readImg(srcPath);		
		int w = img.getWidth();
		int h = img.getHeight();
		int pix[] = new int[w*h];
		        pix= img.getRGB(0, 0, w, h, pix, 0, w);
		pix = firstMomentY(pix, w, h);
		img.setRGB(0, 0, w, h, pix, 0, w);
		writeImg(img, formatName, distPath);
	}
	/**
	 * 垂直微分算子
	* @param pix 像素矩阵数组
	 * @param w 矩阵的宽
	 * @param h 矩阵的高
	 * @return 处理后的数组
	 */
	public static int[] firstMomentY(int[] pix, int w, int h) {
		int[] newpix = new int[w*h];
		ColorModel cm = ColorModel.getRGBdefault();
		int r;
		for(int y=0; y<h; y++) {
			for(int x=0; x<w; x++) {
				if(x!=0 && x!=w-1 && y!=0 && y!=h-1) {
					//G=f(x-1,y-1) + 2f(x-1,y) + f(x-1,y+1) - f(x+1,y-1) - 2f(x+1,y) - f(x+1, y+1)
					/*newpix[x+y*w] = pix[x-1+(y-1)*w] + 2*pix[x-1+(y)*w] + pix[x-1+(y+1)*w]
					              - pix[x+1+(y-1)*w] - 2*pix[x+1+(y)*w] - pix[x+1+( y+1)*w];*/
					r = cm.getRed(pix[x-1+(y-1)*w]) + 2*cm.getRed(pix[x-1+(y)*w]) + cm.getRed(pix[x-1+(y+1)*w])
					                - cm.getRed(pix[x+1+(y-1)*w]) - 2*cm.getRed(pix[x+1+(y)*w]) - cm.getRed(pix[x+1+( y+1)*w]);
					newpix[x+y*w] = 255<<24 | r<<16 | r<<8 | r;
				}
			}
		}
		int temp = findMinInt(newpix);
		for(int i=0; i<newpix.length; i++) {
			newpix[i] = newpix[i] + temp;
		}
		return newpix;
	}


实验效果：

原图：


水平方向的微分算子的效果


垂直方向的微分算子的效果

Roberts交叉微分算子

水平微分算子和垂直微分算子只求出了特定方向上的细节信息，但是对于大多数图像来说，求出细节轮廓是一全非常重要的信息，而往往遇到的大部分景物的细节是不规则的，所以在二维图像的两个方向上来考虑锐化微分是很有必要的。Roberts叉微分算子的作用模板如下：


定义：

G=|f(x+1,y+1)-f(x,y)|+|f(x,y+1)-f(x+1,y)|

权系数矩阵模板


F1’=D1(f(x,y)),F2’=D2(f(x,y))

G=|F1’|+|F2’|

算法源代码4

/**
	 * Roberts交叉微分算子
	 * @param srcPath 图片的存储位置
	 * @param distPath 图像要保存的存储位置
	 * @param formatName 图像要保存的存储位置
	 */
	public static void roberts(String srcPath, String distPath, String formatName) {
		BufferedImage img = readImg(srcPath);		
		int w = img.getWidth();
		int h = img.getHeight();
		int pix[] = new int[w*h];
		        pix= img.getRGB(0, 0, w, h, pix, 0, w);
		pix = roberts(pix, w, h);
		img.setRGB(0, 0, w, h, pix, 0, w);
		writeImg(img, formatName, distPath);
	}
	/**
	 * Roberts交叉微分算子
	 * @param pix 像素矩阵数组
	 * @param w 矩阵的宽
	 * @param h 矩阵的高
	 * @return 处理后的像素矩阵
	 */
	public static int[] roberts(int pix[], int w, int h) {
		ColorModel cm = ColorModel.getRGBdefault();
		int r;
		int[] newpix = new int[w*h];
		for(int y=0; y<h; y++) {
			for(int x=0; x<w; x++) {
				if(x!=w-1 && y!=h-1){
					//G=|f(x+1,y+1) - f(x,y)| + |f(x,y+1)-f(x+1,y)|
					r=Math.abs(cm.getRed(pix[x+1+(y+1)*w]) - cm.getRed(pix[x+y*w])) +
					  Math.abs(cm.getRed(pix[x+(y+1)*w]) - cm.getRed(pix[x+1+y*w]));
					newpix[x+y*w] = 255<<24 | r<<16 | r <<8 | r;
				} else {
					if(x == w-1) {
						newpix[x+y*w] = pix[x-1+y*w];
					}
					if(y == h-1) {
						newpix[x+y*w] = pix[x+(y-1)*w];
					}
				}
			}
		}		
		return newpix;
	}


效果：


Sobel微分算子

前面介绍的Roberts微分算子可以获得景物的细节轮廓，且模板小，计算量小；但由于模板的尺寸是偶数，待处理的像素不能放在模板中心。Sobel微分算子是一种奇数大小（3*3）模板下的全方向微分算子。

定义:

D1=f(x-1,y-1)+2f(x,y-1)+f(x+1,y-1)–f(x-1,y+1)–2f(x,y+1)–f(x+1,y+1)

D2=f(x-1,y-1)+2f(x-1,y)+f(x-1,y+1)–f(x+1,y-1)–2f(x+1,y)–f(x+1,y+1)

G=sqrt(D1^2+D2^2)

算法源代码5

/**
	 * Sobel微分算子
	 * @param srcPath 图片的存储位置
	 * @param distPath 图像要保存的存储位置
	 * @param formatName 图像要保存的存储位置
	 */
	public static void sobel(String srcPath, String distPath, String formatName) {
		BufferedImage img = readImg(srcPath);		
		int w = img.getWidth();
		int h = img.getHeight();
		int pix[] = new int[w*h];
		        pix= img.getRGB(0, 0, w, h, pix, 0, w);
		pix = sobel(pix, w, h);
		img.setRGB(0, 0, w, h, pix, 0, w);
		writeImg(img, formatName, distPath);
	}
	/**
	 * Sobel微分算子
	 * @param pix 像素矩阵数组
	 * @param w 矩阵的宽
	 * @param h 矩阵的高
	 * @return 处理后的像素矩阵
	 */
	public static int[] sobel(int pix[], int w, int h) {
		ColorModel cm = ColorModel.getRGBdefault();
		int g1, g2, r;
		int[] newpix = new int[w*h];
		for(int y=0; y<h; y++) {
			for(int x=0; x<w; x++) {
				if(x!=0 && x!=w-1 && y!=0 && y!=h-1){
					//G
					g1 = cm.getRed(pix[x-1+(y-1)*w]) + 2* cm.getRed(pix[x+(y-1)*w]) +  cm.getRed(pix[x+1+(y-1)*w]) 
		                 - cm.getRed(pix[x-1+(y+1)*w]) - 2* cm.getRed(pix[x+(y+1)*w]) -  cm.getRed(pix[x+1+(y+1)*w]);
					g2 = cm.getRed(pix[x-1+(y-1)*w]) + 2*cm.getRed(pix[x-1+(y)*w]) + cm.getRed(pix[x-1+(y+1)*w])
	                     - cm.getRed(pix[x+1+(y-1)*w]) - 2*cm.getRed(pix[x+1+(y)*w]) - cm.getRed(pix[x+1+( y+1)*w]);
					r=(int) Math.round(Math.sqrt(g1*g1 + g2*g2));
					newpix[x+y*w] = 255<<24 | r<<16 | r <<8 | r;
				} else {
					if(x == w-1) {
						newpix[x+y*w] = pix[x-1+y*w];
					}
					if(y == h-1) {
						newpix[x+y*w] = pix[x+(y-1)*w];
					}
				}
			}
		}		
		return newpix;
	}


效果：

Priwitt微分算子

Priwitt微分算子与Sobel微分算子类似，是一个奇数大小（3*3）的模板中定义其微分算子。只是模板系数不同。

D1=f(x-1,y-1)+2f(x,y-1)+f(x+1,y-1)–f(x-1,y+1)–2f(x,y+1)–f(x+1,y+1)

D2=f(x-1,y-1)+2f(x-1,y)+f(x-1,y+1)–f(x+1,y-1)–2f(x+1,y)–f(x+1,y+1)

G=sqrt(D1^2+D2^2)

算法源代码6

/**
	 * priwitt微分算子
	 * @param srcPath 图片的存储位置
	 * @param distPath 图像要保存的存储位置
	 * @param formatName 图像要保存的存储位置
	 */
	public static void priwitt(String srcPath, String distPath, String formatName) {
		BufferedImage img = readImg(srcPath);		
		int w = img.getWidth();
		int h = img.getHeight();
		int pix[] = new int[w*h];
		        pix= img.getRGB(0, 0, w, h, pix, 0, w);
		pix = priwitt(pix, w, h);
		img.setRGB(0, 0, w, h, pix, 0, w);
		writeImg(img, formatName, distPath);
	}
	/**
	 * priwitt微分算子
	 * @param pix 像素矩阵数组
	 * @param w 矩阵的宽
	 * @param h 矩阵的高
	 * @return 处理后的像素矩阵
	 */
	public static int[] priwitt(int pix[], int w, int h) {
		ColorModel cm = ColorModel.getRGBdefault();
		int g1, g2, r;
		int[] newpix = new int[w*h];
		for(int y=0; y<h; y++) {
			for(int x=0; x<w; x++) {
				if(x!=0 && x!=w-1 && y!=0 && y!=h-1){
					//G
					g1 = cm.getRed(pix[x-1+(y-1)*w]) + cm.getRed(pix[x+(y-1)*w]) +  cm.getRed(pix[x+1+(y-1)*w]) 
		                 - cm.getRed(pix[x-1+(y+1)*w]) - cm.getRed(pix[x+(y+1)*w]) -  cm.getRed(pix[x+1+(y+1)*w]);
					g2 = cm.getRed(pix[x-1+(y-1)*w]) + cm.getRed(pix[x-1+(y)*w]) + cm.getRed(pix[x-1+(y+1)*w])
	                     - cm.getRed(pix[x+1+(y-1)*w]) - cm.getRed(pix[x+1+(y)*w]) - cm.getRed(pix[x+1+( y+1)*w]);
					r=(int) Math.round(Math.sqrt(g1*g1 + g2*g2));
					newpix[x+y*w] = 255<<24 | r<<16 | r <<8 | r;
				} else {
					if(x == w-1) {
						newpix[x+y*w] = pix[x-1+y*w];
					}
					if(y == h-1) {
						newpix[x+y*w] = pix[x+(y-1)*w];
					}
				}
			}
		}		
		return newpix;
	}

效果：


iteye_15075
关注
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值