Определяет ли оператор opencv Sobel корреляцию?
Определяет ли оператор opencv Sobel корреляцию, а не свертку?
Я знаю, что функция filter2D вычисляет корреляцию, и я только что обнаружил (основываясь на результатах кода), что оператор Собеля также вычисляет корреляцию. Это ожидается? Я что-то здесь упускаю?
Mat sobelx, dest1,dest2;
Sobel(src, sobelx, src.depth(),1,0,3);
imshow("Sobel filtered in x dir" ,sobelx);
Mat kern = (Mat_<float>(3,3)<<-1,0,1,-1,0,1,-1,0,1);
filter2D(src,dest1,src.type(),kern);
imshow("Sobel in x-dir using corr ", dest1);
/* dest1 equals sobelx */
flip(kern,kern, -1);//flip the kernel in x and y direction for convolution
filter2D(src,dest2,src.type(),kern);
imshow("Sobel in x-dir using conv ",dest2,);
Решение
Вот тест, который я написал, и результат говорит правду.
cv :: Sobel вычисляет корреляцию, а не свертку.
Я использовал следующее ядро, которое используется в cv :: Sobel
kern = [-1, 0, 1;
-2, 0, 2;
-1, 0, 1]
Результаты показывают, что выходные данные sobelx и filter2d (корреляция) одинаковы.
void test_sobel(){
cv::RNG(0);
cv::Mat src(4,4, CV_8U);
cv::randu(src, 0, 256);
cv::Mat sobelx, dest_corr,dest_conv;
cv::Sobel(src, sobelx, CV_32F,1,0,3);
// sobel uses a 3x3 filter shown as below
Mat kern = (Mat_<float>(3,3)<<-1,0,1,-2,0,2,-1,0,1);
// filter2D computes correlation
cv::filter2D(src,dest_corr,CV_32F,kern);
//flip the kernel in x and y direction for convolution
cv::Mat kern_conv;
cv::flip(kern,kern_conv, -1);
cv::filter2D(src,dest_conv,CV_32F,kern_conv);
std::cout << "kern = \n" << kern<< std::endl;
std::cout << "kern_conv = \n" << kern_conv<< std::endl;
std::cout << "src = \n" << src << std::endl;
std::cout << "sobelx = \n" << sobelx<< std::endl;
std::cout << "dest_corr = \n" << dest_corr<< std::endl;
std::cout << "dest_conv =\n" << dest_conv << std::endl;
cv::Mat diff1 = sobelx - dest_corr;
cv::Mat diff2 = sobelx - dest_conv;
std::cout << "sobelx - dest_corr = " << cv::sum( diff1 )[0] << std::endl;
std::cout << "sobelx - dest_conv = " << cv::sum( diff2 )[0] << std::endl;
}
Выход:
kern =
[-1, 0, 1;
-2, 0, 2;
-1, 0, 1]
kern_conv =
[1, 0, -1;
2, 0, -2;
1, 0, -1]
src =
[246, 156, 192, 7;
165, 166, 2, 179;
231, 212, 171, 230;
93, 138, 123, 80]
sobelx =
[0, -434, -272, 0;
0, -440, -105, 0;
0, -253, -9, 0;
0, -60, -80, 0]
dest_corr =
[0, -434, -272, 0;
0, -440, -105, 0;
0, -253, -9, 0;
0, -60, -80, 0]
dest_conv =
[0, 434, 272, 0;
0, 440, 105, 0;
0, 253, 9, 0;
0, 60, 80, 0]
sobelx - dest_corr = 0
sobelx - dest_conv = -3306
Другие решения
Редактировать:
Чтобы получить ядра OpenCV Sobel, вы можете позвонить cv::getDerivKernels чтобы получить два разделяемых ядра (это cv::sepFilter2D что на самом деле называется в коде OpenCV cv::Sobelили Intel IPP Sobel или любой другой бэкэнд, если он есть), и действительно выполняется корреляция.
Упомянутое ниже ядро устарело, но тестовый код все еще может быть полезен!
Лучшим вариантом является тестирование, чтобы избежать неожиданности:
{
cv::RNG(0); //fix RNG
cv::Mat img(8, 8, CV_8U);
cv::randu(img, 0, 256);
cv::Mat sobel_x;
cv::Sobel(img, sobel_x, CV_64F, 1, 0);
cv::Mat sobel_filter;
cv::Mat kern = (cv::Mat_<double>(3, 3) << 1, 0, -1,
2, 0, -2,
1, 0, -1);
cv::filter2D(img, sobel_filter, CV_64F, kern);
cv::Mat kern_flip, sobel_filter_conv;
cv::flip(kern, kern_flip, -1);
cv::filter2D(img, sobel_filter_conv, CV_64F, kern_flip);
std::cout << "img:\n" << img << std::endl;
std::cout << "sobel_x:\n" << sobel_x << std::endl;
std::cout << "sobel_filter:\n" << sobel_filter << std::endl;
std::cout << "sobel_filter_conv:\n" << sobel_filter_conv << std::endl;
cv::Mat diff = sobel_x - sobel_filter;
cv::Mat diff2 = sobel_x - sobel_filter_conv;
std::cout << "Diff sobel_x - sobel_filter: " << cv::sum( diff )[0] << std::endl;
std::cout << "Diff sobel_x - sobel_filter_conv: " << cv::sum( diff2 )[0] << std::endl;
}{
cv::RNG(0); //fix RNG
cv::Mat img(8, 8, CV_8U);
cv::randu(img, 0, 256);
cv::Mat sobel_y;
cv::Sobel(img, sobel_y, CV_64F, 0, 1);
cv::Mat sobel_filter;
cv::Mat kern = (cv::Mat_<double>(3, 3) << 1, 2, 1,
0, 0, 0,
-1, -2, -1);
cv::filter2D(img, sobel_filter, CV_64F, kern);
cv::Mat kern_flip, sobel_filter_conv;
cv::flip(kern, kern_flip, -1);
cv::filter2D(img, sobel_filter_conv, CV_64F, kern_flip);
std::cout << "img:\n" << img << std::endl;
std::cout << "sobel_y:\n" << sobel_y << std::endl;
std::cout << "sobel_filter:\n" << sobel_filter << std::endl;
std::cout << "sobel_filter_conv:\n" << sobel_filter_conv << std::endl;
cv::Mat diff = sobel_y - sobel_filter;
cv::Mat diff2 = sobel_y - sobel_filter_conv;
std::cout << "Diff sobel_y - sobel_filter: " << cv::sum( diff )[0] << std::endl;
std::cout << "Diff sobel_y - sobel_filter_conv: " << cv::sum( diff2 )[0] << std::endl;
}
Выход:
img:
[246, 156, 192, 7, 165, 166, 2, 179;
231, 212, 171, 230, 93, 138, 123, 80;
105, 242, 231, 239, 174, 174, 176, 191;
134, 54, 234, 69, 25, 147, 24, 67;
124, 158, 203, 206, 89, 144, 210, 51;
31, 132, 123, 250, 234, 246, 204, 74;
111, 208, 249, 149, 234, 37, 55, 147;
143, 29, 214, 169, 215, 84, 190, 204]
sobel_x:
[0, -228, -262, -210, 134, -266, -90, 0;
0, -48, -116, -240, -90, -101, -86, 0;
0, 292, 27, -401, -144, 33, -104, 0;
0, 405, 75, -589, 29, 121, -236, 0;
0, 350, 229, -326, -50, 211, -438, 0;
0, 401, 225, 93, -182, -118, -327, 0;
0, 439, 140, 82, -313, -413, 168, 0;
0, 418, 162, -28, -394, -408, 460, 0]
sobel_filter:
[0, 228, 262, 210, -134, 266, 90, 0;
0, 48, 116, 240, 90, 101, 86, 0;
0, -292, -27, 401, 144, -33, 104, 0;
0, -405, -75, 589, -29, -121, 236, 0;
0, -350, -229, 326, 50, -211, 438, 0;
0, -401, -225, -93, 182, 118, 327, 0;
0, -439, -140, -82, 313, 413, -168, 0;
0, -418, -162, 28, 394, 408, -460, 0]
sobel_filter_conv:
[0, -228, -262, -210, 134, -266, -90, 0;
0, -48, -116, -240, -90, -101, -86, 0;
0, 292, 27, -401, -144, 33, -104, 0;
0, 405, 75, -589, 29, 121, -236, 0;
0, 350, 229, -326, -50, 211, -438, 0;
0, 401, 225, 93, -182, -118, -327, 0;
0, 439, 140, 82, -313, -413, 168, 0;
0, 418, 162, -28, -394, -408, 460, 0]
Diff sobel_x - sobel_filter: -3428
Diff sobel_x - sobel_filter_conv: 0
img:
[110, 239, 216, 103, 137, 248, 173, 53;
221, 142, 83, 166, 251, 222, 243, 67;
29, 232, 208, 159, 115, 91, 244, 128;
151, 254, 47, 13, 132, 253, 137, 127;
180, 181, 179, 168, 236, 246, 66, 169;
188, 198, 198, 137, 131, 63, 5, 237;
220, 209, 155, 88, 28, 12, 58, 99;
6, 49, 196, 195, 163, 9, 82, 197]
sobel_y:
[0, 0, 0, 0, 0, 0, 0, 0;
-176, -103, 33, 82, -145, -265, 60, 292;
84, 118, -113, -461, -360, -163, -121, -92;
200, 20, -100, 110, 406, 253, -160, -274;
-38, 76, 370, 398, -68, -513, -344, -44;
136, 72, -100, -392, -730, -684, -320, -156;
-662, -482, -95, 146, 68, 1, 60, 74;
0, 0, 0, 0, 0, 0, 0, 0]
sobel_filter:
[0, 0, 0, 0, 0, 0, 0, 0;
176, 103, -33, -82, 145, 265, -60, -292;
-84, -118, 113, 461, 360, 163, 121, 92;
-200, -20, 100, -110, -406, -253, 160, 274;
38, -76, -370, -398, 68, 513, 344, 44;
-136, -72, 100, 392, 730, 684, 320, 156;
662, 482, 95, -146, -68, -1, -60, -74;
0, 0, 0, 0, 0, 0, 0, 0]
sobel_filter_conv:
[0, 0, 0, 0, 0, 0, 0, 0;
-176, -103, 33, 82, -145, -265, 60, 292;
84, 118, -113, -461, -360, -163, -121, -92;
200, 20, -100, 110, 406, 253, -160, -274;
-38, 76, 370, 398, -68, -513, -344, -44;
136, 72, -100, -392, -730, -684, -320, -156;
-662, -482, -95, 146, 68, 1, 60, 74;
0, 0, 0, 0, 0, 0, 0, 0]
Diff sobel_y - sobel_filter: -8204
Diff sobel_y - sobel_filter_conv: 0