13

对于边缘检测的特定情况，我正在尝试实现高斯差（DoG）。正如算法的名称所暗示的那样，它实际上相当简单：

Mat g1, g2, result;
Mat img = imread("test.png", CV_LOAD_IMAGE_COLOR); 
GaussianBlur(img, g1, Size(1,1), 0);
GaussianBlur(img, g2, Size(3,3), 0);
result = g1 - g2;

但是，我觉得这可以更有效地完成。是否可以通过更少的数据传递来完成？

这里的问题教会了我有关可分离过滤器的知识，但我是一个图像处理新手，无法理解如何在这种情况下应用它们。

谁能给我一些关于如何优化它的指示？

4

2 回答 2

11

可分离滤波器的工作方式与普通高斯滤波器相同。当图像尺寸较大时，可分离滤波器比普通高斯滤波器更快。滤波器核可以解析形成，滤波器可以分成两个一维向量，一个水平向量和一个垂直向量。

例如..

考虑过滤器是

1 2 1
2 4 2
1 2 1

这个过滤器可以分为水平矢量（H）1 2 1和垂直矢量（V）1 2 1。现在这两个过滤器的集合被应用于图像。矢量 H 应用于水平像素，V 应用于垂直像素。然后将结果加在一起以获得高斯模糊。我正在提供一个执行可分离高斯模糊的函数。（请不要问我评论，我太懒了：P）

Mat sepConv(Mat input, int radius)
{


Mat sep;
Mat dst,dst2;

int ksize = 2 *radius +1;
double sigma = radius / 2.575;

Mat gau = getGaussianKernel(ksize, sigma,CV_32FC1);

Mat newgau = Mat(gau.rows,1,gau.type());
gau.col(0).copyTo(newgau.col(0));


filter2D(input, dst2, -1, newgau);


filter2D(dst2.t(), dst, -1, newgau);


return dst.t();


}

另一种改进高斯模糊计算的方法是使用 FFT。如果数据量非常大，基于 FFT 的卷积比可分离核方法快得多。

快速的谷歌搜索为我提供了以下功能

Mat Conv2ByFFT(Mat A,Mat B)
{
Mat C;
// reallocate the output array if needed
C.create(abs(A.rows - B.rows)+1, abs(A.cols - B.cols)+1, A.type());
Size dftSize;
// compute the size of DFT transform
dftSize.width = getOptimalDFTSize(A.cols + B.cols - 1);
dftSize.height = getOptimalDFTSize(A.rows + B.rows - 1);

// allocate temporary buffers and initialize them with 0's
Mat tempA(dftSize, A.type(), Scalar::all(0));
Mat tempB(dftSize, B.type(), Scalar::all(0));

// copy A and B to the top-left corners of tempA and tempB, respectively
Mat roiA(tempA, Rect(0,0,A.cols,A.rows));
A.copyTo(roiA);
Mat roiB(tempB, Rect(0,0,B.cols,B.rows));
B.copyTo(roiB);

// now transform the padded A & B in-place;
// use "nonzeroRows" hint for faster processing
Mat Ax = computeDFT(tempA);
Mat Bx = computeDFT(tempB);

// multiply the spectrums;
// the function handles packed spectrum representations well
mulSpectrums(Ax, Bx, Ax,0,true);

// transform the product back from the frequency domain.
// Even though all the result rows will be non-zero,
// we need only the first C.rows of them, and thus we
// pass nonzeroRows == C.rows
//dft(Ax, Ax, DFT_INVERSE + DFT_SCALE, C.rows);

updateMag(Ax);
Mat Cx = updateResult(Ax);

//idft(tempA, tempA, DFT_SCALE, A.rows + B.rows - 1 );
// now copy the result back to C.
Cx(Rect(0, 0, C.cols, C.rows)).copyTo(C);
//C.convertTo(C, CV_8UC1);
// all the temporary buffers will be deallocated automatically
return C;

}

希望这可以帮助。:)

于 2013-01-07T10:34:17.903 回答
5

我知道这篇文章很旧。但这个问题很有趣，可能会让未来的读者感兴趣。据我所知，DoG 过滤器是不可分离的。所以剩下两个解决方案：1）通过调用函数 GaussianBlur() 计算两个卷积，然后将两个图像相减 2）通过计算两个高斯内核的差异来制作一个内核，然后将其与图像进行卷积。

关于哪个解决方案更快：解决方案 2 乍一看似乎更快，因为它只对图像进行一次卷积。但这不涉及可分离过滤器。相反，第一种解决方案涉及两个可分离的过滤器，最终可能会更快。（我不知道 OpenCV 函数 GaussianBlur() 是如何优化的，以及它是否使用可分离滤波器。但很可能。）

但是，如果使用 FFT 技术进行卷积，则第二种解决方案肯定会更快。如果有人有任何建议要添加或希望纠正我，请这样做。

于 2016-10-10T13:37:35.937 回答