如何实现快速的 OpenCV 均匀性检测图像处理算法？

Posted 2023-02-22

【中文标题】如何实现快速的 OpenCV 均匀性检测图像处理算法？

【英文标题】：How do I achieve a fast OpenCV uniformity detection image processing algorithm?

【发布时间】：2014-09-17 23:58:21

【问题描述】：

我想要一个图像处理函数，如果它周围的所有像素（比如 +/- 4）具有几乎相同的 RGB 值（在某个阈值内：epsilon），它会为每个像素返回 1。否则，在像素位置返回零。

我用get()和put()写了这个，用Java API，扫过整个图像矩阵，但是很慢。

我是否可以使用一些策略来利用现有的 OpenCV 图像处理功能来实现相同的结果但速度更快？

【参考方案1】：

opencv 中的Inrange() 函数呢？我想它会满足你的条件。

【讨论】：

我正在尝试检测具有相对恒定值的表面，但我不一定提前知道该值。

【参考方案2】：

就实现的和众所周知的功能而言，这是一个算法问题，而不是语言问题。尝试使用 A 的初始图像（矩阵）r 通道：

calc Amin -- 对 A 进行窗口化（窗口半大小 = 4）最小操作的结果，称为“侵蚀” 计算 Asub-min = A - Amin 阈值 Asub-min 通过 epsilon ( if(Asub_ij 对 max 函数做同样的事情（“膨胀”） Ares = Asub-min-thr AND Asub-max-thr -- Ares 是一个通道的答案 对所有频道执行相同操作 Ares-rgb = Ares-r AND Ares-g AND Ares-b -- 你的最终答案。

以上所有功能都是well implementedin openCV，包括GPU加速（GPU并不总是可以从Java访问）。不再需要 get() 和 put()！

如果您不需要每个通道的 epsilon-distance 而是 RGB 中的 L2 距离，您将不得不进行更多计算，例如 Asub-rgb^2 = Asub-r*Asub-r + Asub-g*Asub-g + Asub- b*Asub-b 然后是 epsilon^2 阈值，但对于 3 维 RGB 空间，每通道 epsilon 与 L2-epsilon 的差异仅在于 worst 情况下的因子 sqrt(3)，因此您可以忽略它并进行快速计算。