Question

我正在尝试实现difference of guassians（DoG），用于边缘检测的特定情况。正如算法的名称所暗示的那样，它实际上非常简单：

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。是否可以通过较少的数据传递来完成？

here这个问题让我了解了可分离的过滤器，但在这种情况下，我太了解了如何应用它们的图像处理新手。

有人能给我一些关于如何优化它的指示吗？

Answer 1

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快。滤波器内核可以通过分析形成，滤波器可以分为两个1维向量，一个水平向量，一个垂直向量。

例如..

将过滤器视为

1 2 1
2 4 2
1 2 1

该滤波器可以分为水平矢量（H）1 2 1和垂直矢量（V）1 2 1.现在这些两组滤波器应用于图像。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。我正在提供一个可分离的高斯模糊函数。（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的卷积比可分离的内核方法快得多。

快速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;

}

希望这会有所帮助。：）

Answer 2

我知道这篇文章很老了。但问题是有趣的，可能会使未来的读者感到不安。据我所知，DoG过滤器是不可分离的。所以还有两个解决方案： 1）通过调用函数GaussianBlur（）两次计算两个卷积，然后减去两个图像 2）通过计算两个高斯核的差异来制作核，然后将其与图像卷积。

关于哪种解决方案更快：解决方案2看起来似乎更快，因为它只会使图像卷曲一次。但这不涉及可分离的过滤器。相反，第一种解决方案涉及两个可分离的过滤器，并且最终可以更快。（我不知道OpenCV函数GaussianBlur（）是如何优化的，以及它是否使用可分离的滤波器。但很可能。）

但是，如果使用FFT技术进行卷积，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，请做。

OpenCV：高效的高斯差分

2 个答案: