opencvsobel（opencvsobel边缘检测算法）

本篇文章给大家谈谈opencvsobel，以及opencvsobel边缘检测算法对应的知识点，希望对各位有所帮助，不要忘了收藏本站喔。

本文目录一览：

• 1、opencv常用函数
• 2、OpenCV-Python系列四：图像分割(2)--梯度
• 3、OpenCV 中的滤波函数
• 4、如何使用cvsobel opencv
• 5、opencv用sobel算子进行处理后的图像，怎么提取梯度信息？
• 6、opencv直径检测的原理

opencv常用函数

原文链接：

1、cvLoadImage：将图像文件加载至内存；

2、cvNamedWindow：在屏幕上创建一个窗口；

3、cvShowImage：在一个已创建好的窗口中显示图像；

4、cvWaitKey：使程序暂停，等待用户触发一个按键操作；

5、cvReleaseImage：释放图像文件所分配的内存；

6、cvDestroyWindow：销毁显示图像文件的窗口；

7、cvCreateFileCapture：通过参数设置确定要读入的AVI文件；

8、cvQueryFrame：用来将下一帧视频文件载入内存；

9、cvReleaseCapture：释放CvCapture结构开辟的内存空间；

10、cvCreateTrackbar：创建一个滚动条；

11、cvSetCaptureProperty：设置CvCapture对象的各种属性；

12、cvGetCaptureProperty：查询CvCapture对象的各种属性；

13、cvGetSize：当前图像结构的大小；

14、cvSmooth：对图像进行平滑处理；

15、cvPyrDown：图像金字塔，降采样，图像缩小为原来四分之一；

16、cvCanny：Canny边缘检测；

17、cvCreateCameraCapture：从摄像设备中读入数据；

18、cvCreateVideoWriter：创建一个写入设备以便逐帧将视频流写入视频文件；

19、cvWriteFrame：逐帧将视频流写入文件；

20、cvReleaseVideoWriter：释放CvVideoWriter结构开辟的内存空间；

21、CV_MAT_ELEM：从矩阵中得到一个元素；

22、cvAbs：计算数组中所有元素的绝对值；

23、cvAbsDiff：计算两个数组差值的绝对值；

24、cvAbsDiffS：计算数组和标量差值的绝对值；

25、cvAdd：两个数组的元素级的加运算；

26、cvAddS：一个数组和一个标量的元素级的相加运算；

27、cvAddWeighted：两个数组的元素级的加权相加运算(alpha运算)；

28、cvAvg：计算数组中所有元素的平均值段并；

29、cvAvgSdv：计算数组中所有元素的绝对值和标准差；

30、cvCalcCovarMatrix：计算一组n维空间向量的协方差；

31、cvCmp：对两个数组中的所有元素运用设置的比较操作；

32、cvCmpS：对数组和标量运用设置的比较操作；

33、cvConvertScale：用可选的缩放值转换数组元素类型；

34、cvCopy：把数组中的值复制到另一个数组中；

35、cvCountNonZero：计算数组中非0值的个数；

36、cvCrossProduct：计算两个三维向量的向量积(叉积)；

37、cvCvtColor：将数组的通道从一个颜色空间转换另外一个颜色空间；

38、cvDet：计算方阵的行列式；

39、cvDiv：用另外一个数组对一个数组进行元素级的除法运算；

40、cvDotProduct：计算两个向量的点积；

41、cvEigenVV：计算方阵的特征值和特征向量；

42、cvFlip：围绕选定轴翻转；

43、cvGEMM：矩阵乘法；

44、cvGetCol：从一个数组的列中复制元素；

45、cvGetCols：从数据的相邻的多列中握橘迹复制元素；

46、cvGetDiag：复制数组中对角线上的所有元素；

47、cvGetDims：返回数组的维数；

48、cvGetDimSize：返回一个数组的所有伍衡维的大小；

49、cvGetRow：从一个数组的行中复制元素值；

50、cvGetRows：从一个数组的多个相邻的行中复制元素值；

51、cvGetSize：得到二维的数组的尺寸，以CvSize返回；

52、cvGetSubRect：从一个数组的子区域复制元素值；

53、cvInRange：检查一个数组的元素是否在另外两个数组中的值的范围内；

54、cvInRangeS：检查一个数组的元素的值是否在另外两个标量的范围内；

55、cvInvert：求矩阵的逆；

56、cvMahalonobis：计算两个向量间的马氏距离；

57、cvMax：在两个数组中进行元素级的取最大值操作；

58、cvMaxS：在一个数组和一个标量中进行元素级的取最大值操作；

59、cvMerge：把几个单通道图像合并为一个多通道图像；

60、cvMin：在两个数组中进行元素级的取最小值操作；

61、cvMinS：在一个数组和一个标量中进行元素级的取最小值操作；

62、cvMinMaxLoc：寻找数组中的最大最小值；

63、cvMul：计算两个数组的元素级的乘积(点乘)；

64、cvNot：按位对数组中的每一个元素求反；

65、cvNormalize：将数组中元素进行归一化；

66、cvOr：对两个数组进行按位或操作；

67、cvOrs：在数组与标量之间进行按位或操作；

68、cvReduce：通过给定的操作符将二维数组简为向量；

69、cvRepeat：以平铺的方式进行数组复制；

70、cvSet：用给定值初始化数组；

71、cvSetZero：将数组中所有元素初始化为0；

72、cvSetIdentity：将数组中对角线上的元素设为1，其他置0；

73、cvSolve：求出线性方程组的解；

74、cvSplit：将多通道数组分割成多个单通道数组；

75、cvSub：两个数组元素级的相减；

76、cvSubS：元素级的从数组中减去标量；

77、cvSubRS：元素级的从标量中减去数组；

78、cvSum：对数组中的所有元素求和；

79、cvSVD：二维矩阵的奇异值分解；

80、cvSVBkSb：奇异值回代计算；

81、cvTrace：计算矩阵迹；

82、cvTranspose：矩阵的转置运算；

83、cvXor：对两个数组进行按位异或操作；

84、cvXorS：在数组和标量之间进行按位异或操作；

85、cvZero：将所有数组中的元素置为0；

86、cvConvertScaleAbs：计算可选的缩放值的绝对值之后再转换数组元素的类型；

87、cvNorm：计算数组的绝对范数， 绝对差分范数或者相对差分范数；

88、cvAnd：对两个数组进行按位与操作；

89、cvAndS：在数组和标量之间进行按位与操作；

90、cvScale：是cvConvertScale的一个宏，可以用来重新调整数组的内容，并且可以将参数从一种数据类型转换为另一种；

91、cvT：是函数cvTranspose的缩写；

92、cvLine：画直线；

93、cvRectangle：画矩形；

94、cvCircle：画圆；

95、cvEllipse：画椭圆；

96、cvEllipseBox：使用外接矩形描述椭圆；

97、cvFillPoly、cvFillConvexPoly、cvPolyLine：画多边形；

98、cvPutText：在图像上输出一些文本；

99、cvInitFont：采用一组参数配置一些用于屏幕输出的基本个特定字体；

100、cvSave：矩阵保存；

101、cvLoad：矩阵读取；

102、cvOpenFileStorage：为读/写打开存储文件；

103、cvReleaseFileStorage：释放存储的数据；

104、cvStartWriteStruct：开始写入新的数据结构；

105、cvEndWriteStruct：结束写入数据结构；

106、cvWriteInt：写入整数型；

107、cvWriteReal：写入浮点型；

108、cvWriteString：写入字符型；

109、cvWriteComment：写一个XML或YAML的注释字串；

110、cvWrite：写一个对象；

111、cvWriteRawData：写入多个数值；

112、cvWriteFileNode：将文件节点写入另一个文件存储器；

113、cvGetRootFileNode：获取存储器最顶层的节点；

114、cvGetFileNodeByName：在映图或存储器中找到相应节点；

115、cvGetHashedKey：为名称返回一个惟一的指针；

116、cvGetFileNode：在映图或文件存储器中找到节点；

117、cvGetFileNodeName：返回文件的节点名；

118、cvReadInt：读取一个无名称的整数型；

119、cvReadIntByName：读取一个有名称的整数型；

120、cvReadReal：读取一个无名称的浮点型；

121、cvReadRealByName：读取一个有名称的浮点型；

122、cvReadString：从文件节点中寻找字符串；

123、cvReadStringByName：找到一个有名称的文件节点并返回它；

124、cvRead：将对象解码并返回它的指针；

125、cvReadByName：找到对象并解码；

126、cvReadRawData：读取多个数值；

127、cvStartReadRawData：初始化文件节点序列的读取；

128、cvReadRawDataSlice：读取文件节点的内容；

129、cvGetModuleInfo：检查IPP库是否已经正常安装并且检验运行是否正常；

130、cvResizeWindow：用来调整窗口的大小；

131、cvSaveImage：保存图像；

132、cvMoveWindow：将窗口移动到其左上角为x,y的位置；

133、cvDestroyAllWindow：用来关闭所有窗口并释放窗口相关的内存空间；

134、cvGetTrackbarPos：读取滑动条的值；

135、cvSetTrackbarPos：设置滑动条的值；

136、cvGrabFrame：用于快速将视频帧读入内存；

137、cvRetrieveFrame：对读入帧做所有必须的处理；

138、cvConvertImage：用于在常用的不同图像格式之间转换；

139、cvErode：形态腐蚀；

140、cvDilate：形态学膨胀；

141、cvMorphologyEx：更通用的形态学函数；

142、cvFloodFill：漫水填充算法，用来进一步控制哪些区域将被填充颜色；

143、cvResize：放大或缩小图像；

144、cvPyrUp：图像金字塔，将现有的图像在每个维度上都放大两倍；

145、cvPyrSegmentation：利用金字塔实现图像分割；

146、cvThreshold：图像阈值化；

147、cvAcc：可以将8位整数类型图像累加为浮点图像；

148、cvAdaptiveThreshold：图像自适应阈值；

149、cvFilter2D：图像卷积；

150、cvCopyMakeBorder：将特定的图像轻微变大，然后以各种方式自动填充图像边界；

151、cvSobel：图像边缘检测，Sobel算子；

152、cvLaplace：拉普拉斯变换、图像边缘检测；

153、cvHoughLines2：霍夫直线变换；

154、cvHoughCircles：霍夫圆变换；

155、cvRemap：图像重映射，校正标定图像，图像插值；

156、cvWarpAffine：稠密仿射变换；

157、cvGetQuadrangleSubPix：仿射变换；

158、cvGetAffineTransform：仿射映射矩阵的计算；

159、cvCloneImage：将整个IplImage结构复制到新的IplImage中；

160、cv2DRotationMatrix：仿射映射矩阵的计算；

161、cvTransform：稀疏仿射变换；

162、cvWarpPerspective：密集透视变换(单应性)；

163、cvGetPerspectiveTransform：计算透视映射矩阵；

164、cvPerspectiveTransform：稀疏透视变换；

165、cvCartToPolar：将数值从笛卡尔空间到极坐标(极性空间)进行映射；

166、cvPolarToCart：将数值从极性空间到笛卡尔空间进行映射；

167、cvLogPolar：对数极坐标变换；

168、cvDFT：离散傅里叶变换；

169、cvMulSpectrums：频谱乘法；

170、cvDCT：离散余弦变换；

171、cvIntegral：计算积分图像；

172、cvDistTransform：图像的距离变换；

173、cvEqualizeHist：直方图均衡化；

174、cvCreateHist：创建一新直方图；

175、cvMakeHistHeaderForArray：根据已给出的数据创建直方图；

176、cvNormalizeHist：归一化直方图；

177、cvThreshHist：直方图阈值函数；

178、cvCalcHist：从图像中自动计算直方图；

179、cvCompareHist：用于对比两个直方图的相似度；

180、cvCalcEMD2：陆地移动距离(EMD)算法；

181、cvCalcBackProject：反向投影；

182、cvCalcBackProjectPatch：图块的方向投影；

183、cvMatchTemplate：模板匹配；

184、cvCreateMemStorage：用于创建一个内存存储器；

185、cvCreateSeq：创建序列；

186、cvSeqInvert：将序列进行逆序操作；

187、cvCvtSeqToArray：复制序列的全部或部分到一个连续内存数组中；

188、cvFindContours：从二值图像中寻找轮廓；

189、cvDrawContours：绘制轮廓；

190、cvApproxPoly：使用多边形逼近一个轮廓；

191、cvContourPerimeter：轮廓长度；

192、cvContoursMoments：计算轮廓矩；

193、cvMoments：计算Hu不变矩；

194、cvMatchShapes：使用矩进行匹配；

195、cvInitLineIterator：对任意直线上的像素进行采样；

196、cvSampleLine：对直线采样；

197、cvAbsDiff：帧差；

198、cvWatershed：分水岭算法；

199、cvInpaint：修补图像；

200、cvGoodFeaturesToTrack：寻找角点；

201、cvFindCornerSubPix：用于发现亚像素精度的角点位置；

202、cvCalcOpticalFlowLK：实现非金字塔的Lucas-Kanade稠密光流算法；

203、cvMeanShift：mean-shift跟踪算法；

204、cvCamShift：camshift跟踪算法；

205、cvCreateKalman：创建Kalman滤波器；

206、cvCreateConDensation：创建condensation滤波器；

207、cvConvertPointsHomogenious：对齐次坐标进行转换；

208、cvFindChessboardCorners：定位棋盘角点；

209、cvFindHomography：计算单应性矩阵；

210、cvRodrigues2：罗德里格斯变换；

211、cvFitLine：直线拟合算法；

212、cvCalcCovarMatrix：计算协方差矩阵；

213、cvInvert：计算协方差矩阵的逆矩阵；

214、cvMahalanobis：计算Mahalanobis距离；

215、cvKMeans2：K均值；

216、cvCloneMat：根据一个已有的矩阵创建一个新矩阵；

217、cvPreCornerDetect：计算用于角点检测的特征图；

218、cvGetImage：CvMat图像数据格式转换成IplImage图像数据格式；

219、cvMatMul：两矩阵相乘；

OpenCV-Python系列四：图像分割(2)--梯度

上一迹毕期提到的图像阈值处理，不仅可以实现获取你想要的目标区域(作为mask使用)，还可以州唯帮你获取图像的边缘信息，那关于图像边缘，本期将从另外的角度来处理。

对边缘信息与背景差异较大的场景，你也可以使用threshold分割，不过若阈值不好选取，Laplacian梯度算子就不失为一直尝试方案，而且上网看看，关于Laplacian算子还可以用来判断图像的模糊程度，这个在相机的自动对焦当中，是否可以尝试判断下？

不过处理的效果并不理想，图像低灰阶部分边缘信息丢失严重。

对于sobel，laplacian算子我们可以使用cv2.filter2D()来实现，配置相应的核姿迹芹模板即可，如实现提取水平方向边缘信息：

你可以依据实际的应用需求来配置提取边缘的角度信息，这里以45度角(垂直向下逆时针旋转45度)为例：

对此，你可以采用下面的方式来解决：

[img]

OpenCV 中的滤波函数

也称为 box filter、均值滤波器，就是简单地将每个像素的值替换成邻域平均值。

如果用 kernel （也称为 mask) 表示，就是

如果采用积分图的方法，可以更快的计算这种 box filter 的结果。

在积分图中，只需要三次加法运算，一次乘法运算即可，即通过积分图，算出 kernel 内部区域的像素和，然后取平均。

积分图中每一点 的值是原图中对应位置左上角区域所有值的和：

积分图的计算可以很高效：

每次计算只需要新增一个像素值，其他值都是之前已经计算出来的。

积分图一旦计算出来，对任意矩形区域内 像素和 的计算都可以在常数时间（即计算时间固定，与区域的大小无关）内完成，例如：

在高斯滤波器中，当前像素值取邻域的 加权平均 ，离当前像素越近，权重越大，权重服从高斯分布。

在实际应用中，几乎总是首选高斯滤波器，很少直接用 box filter.

上述命令中，最后两个参数 kernel size 和 如果只设置一个，则另一个可以通过以下公式推出：

第二个式子很好理解，就是借助高斯函数的性质（距离均值 3 个标准差范围内的取值占总数的 99.7%），因此窗口大小就是 3 倍的 *2 （两边）然后再加上 1 （自身）。

第一个式子与第二个非常近似，但是又做了一些微调。

上述高斯滤波器内部实际上是先调用如下函数，产生服从高斯分布的一系列权重：

上述 9 个权重是经过归一化的，即和为 1，其公式为

其中 满足归一化的要求，ksize 必须是奇数。如果要生成二维的高斯矩阵权重，则是先产生一个权重列向量，然后令该列向量与自身的转置相乘，得到高斯矩阵权重，最后再统一进行归一化，保证矩阵所有元素和为 1。

另外，还可以分别产生两个不同的高斯权重向量，对应行和列方向上的高斯模糊权重，然后把它们相乘得到高斯矩阵。由于满足这种分离的性质，高斯滤波器被称为可分离的滤波器。

前边在进行滤波操作时，都只包含线性操作（算数平均、加权平均）。

另外还可以采用非线性操作，对应非线性滤波器。非线性滤波器不能表示成 kernel 矩阵卷积枝渣操作的形式。

中值滤波器是一种非线性滤波器。它把当前像素和邻域像素组成一个集合，排序之后，选择中间值（即排序中间位置猛粗悄的数值）替换当前像素值。

椒盐噪声 ：像素随机替换成白色或者黑点。在通讯时，如果部分像素值丢失，就会产生这种噪声。

中值滤波器可以有效的消除椒盐噪声，因为这些噪声点在排序时很难成为中间值，因此全都被剔除了。

Sobel 也是线性滤波器，只不过采用了特殊的 kernel 矩阵：

分别针对水平方向和垂直方向的操作。

用上述 kernel 进行操作，就是计算水平或者垂直方向像素值的差分，近似反映了像素值水平和垂直变化的速度，合在一起就是图像梯度的近似。

在默认情况下，差分运算的结果很可能超过 [0,255] 这个范围，而且有正有负，应该用 CV_16S 数据类型表示。经过上述缩放和偏移之后，才勉强适合用 CV_8U 表示，但还是需要饱和截断操作。

在分别得到横向、纵向变化率之后，可以整合起来计算梯度的大小

一般如果要显示最后的 sobel 边缘检测的结果，还需要把凳颂上述模值转化到 [0,255] 范围内。

sobel 实际上包含了平滑和求导两个操作，其中邻域像素累加相当于高斯平滑，距离越近的像素权重越高。

sobel 的 kernel size 可以选择 1, 3, 5 和 7，其中 1 代表 1×3 或者 3×1，此时是没有高斯平滑的。

对于大的 size，这种平滑更明显。此时，sobel 不是高通滤波器，而是带通滤波器，既消除了部分高频，又消除了部分低频。

与 Sobel 算子类似的还有其他几个计算梯度的算子，只是采用不同的 kernel.

上述所有的滤波器都是近似计算图像函数的一阶导数，像素变化大的区域计算得到的值较大，平坦的区域计算值较小。

sobel 算子通过对图片函数求导，那些数值绝对值较高的点对应了边界区域：

如果继续求二阶导，则导数较大的点对应了过零点：

因此，也可以通过搜索二阶导的过零点来检测边界点。

Laplacian 算子的定义 ：

对照 Hessian 矩阵：

Laplacian 算子实际上就是 Hessian 矩阵的 Trace。

具体到图像操作中，二阶导有如下表达式：

所以最终 Laplacian 算子表达式为：

在具体实现中，可以用以下 kernel 进行卷积操作：

Laplacian 算子具有旋转 90 度不变性，即一幅图旋转 90 度及其倍数，对应的 Laplacian 算子操作结果相同。

为了得到更好的旋转不变性，可以将 Laplacian 算子 kernel 扩展为如下形式：

这样就具有了旋转 45 度及其倍数的不变性。

Laplacian 算子对噪声比较敏感，因此一般在进行 Laplacian 之前先进行高斯平滑滤波。

两个步骤合并称为 LoG (Laplacian of Gaussian)。

在具体实现中，我们并不需要先高斯再拉普拉斯，而是两步并作一步：将拉普拉斯算子作用在高斯 kernel 上，得到新的 kernel，再与 image 做卷积：

最后作用在 位置上的卷积权重为

同样也是通过 设定滤波范围。

对高斯函数取拉普拉斯算子操作是什么样子的？

二维情况下得到的曲面很像“墨西哥草帽”。

的大小决定了检测的粗粒度：

Difference of Gaussians

为了减少 LoG 计算量，用两个不同 的高斯做差，来近似 LoG

上图中两个 的取值好像反了。。。

如何使用cvsobel opencv

1.OpenCV确实是在运行时自动加载这些优化库, 不需要运行cvUseOptimized()函数, 前提是库的相关路径注册了环境变量(之前我没注册, 所以没有加载成功).

可运行如下程序进行检验:

const char* opencv_libraries = 0;

const char* addon_modules = 0;

cvGetModuleInfo( 0, opencv_libraries,addon_modules );

printf( "OpenCV: %s\\r\\nAdd-on Modules: %s\\r\\n."戚裂世, opencv_libraries, addon_modules);

如果自动加载成功会输出:

OpenCV: cxcore: 1.0.0, cv: 1.0.0

Add-on Modules: ippcv-5.1.dll, ippi-5.1.dll, ipps-5.1.dll, ippvm-5.1.dll, ippcc-5.1.dll, mkl_p4.dll

此时再运行cvUseOptimized(1), 通过查看返回值, 可以知道有多少个函数被优化。

2.不同函数优化的程度不一。

用几个函数测试了一下加载优化库后的源顷优化程度:

系统: P4(2.6G) 512MB XP VC6

测试图像: 768×576 8UC1

循环100次

测试函数 cvSmooth(CV_GAUSSIAN,31*31) 2493ms(with IPP) 5498ms(without IPP)

测试函数 cvSobel(7*7) 1674ms(with IPP) 1672ms(without IPP)

测试函数 cvCanny(3*3) 2901ms(with IPP) 3385ms(without IPP)

可以看出不同函数优化的程度不一样, cvSmooth优化程度很高, 性能提升50%多, cvSobel基本没有变化, 网上有的老外还说用了IPP之后速度下降了 .

所以究竟用不用IPP(199美元呢), 还得各位测试一下自己的程序高肢, 好在现在还有Evaluation版的IPP可以用。要是OpenCV下个版本能提供一份儿各个函数优化表就好了.

opencv用sobel算子进行处理后的图像，怎么提取梯度信息？

给你一段代码\x0d\x0avoidGradient(MatInputArray,MatOutputArray)\x0d\x0a{\弯亏乱x0d\x0a//转换为灰度图像\x0d\x0aMatInputArray_gray(height,width,CV_32F);\x0d\x0acvtColor(InputArray,InputArray_gray,CV_RGB2GRAY);\x0d\x0a//创建X、Y方向梯度图像变量\x0d\x0aMatgrad_x,grad_y;\x0d\x0aMatabs_grad_x,abs_grad_y;//梯度绝对值\x0d\x0a//X方向梯度并取绝对值\x0d\埋档x0aSobel(InputArray_gray,grad_x,InputArray_gray.depth(),1,0);\x0d\x0aconvertScaleAbs(grad_x,abs_grad_x);\x0d\x0a//Y方向空册梯度并取绝对值\x0d\x0aSobel(InputArray_gray,grad_y,InputArray_gray.depth(),0,1);\x0d\x0aconvertScaleAbs(grad_y,abs_grad_y);\x0d\x0a//计算梯度值的平方\x0d\x0apow(abs_grad_x,2.0f,abs_grad_x);\x0d\x0apow(abs_grad_y,2.0f,abs_grad_y);\x0d\x0a//OutputArray=abs_grad_x+abs_grad_y;\x0d\x0aadd(abs_grad_x,abs_grad_y,OutputArray,noArray(),CV_32F);\x0d\x0a//显示梯度平方\x0d\x0a//imshow("Gradient",OutputArray);\x0d\x0a//waitKey(0);\x0d\x0a}

opencv直径检测的原理

圆检测

原理

圆周上任意三点所确定的圆，经Hough变换后在三维参数空间应对应一点。遍历圆周上所有点，任意三个点所确定的候选圆中饥进行投票。遍历结束后，得票数最高点（理论上圆周上任意三弯培肢点确定的圆在Hough变换后均对应三维参数空间中的同一点）所确定的圆 即为该圆周上，绝大多数点所确定埋世的圆（以下称为当选圆），即绝大多数点均在该当选圆的圆周上，以此确定该圆。

圆形的表达式为(x−xcenter)2+(y−ycenter)2=r2(x−xcenter)2+(y−ycenter)2=r2，一个圆环的确定需要三个参数。那么霍夫变换的累加器必须是三维的，但是这样的计算效率很低。

这里opencv中使用霍夫梯度的方法，这里利用了边界的梯度信息。

首先对图像进行canny边缘检测，对边缘中的每一个非0点，通过Sobel算法计算局部梯度。那么计算得到的梯度方向，实际上就是圆切线的法线。三条法线即可确定一个圆心，同理在累加器中对圆心通过的法线进行累加，就得到了圆环的判定。

关于opencvsobel和opencvsobel边缘检测算法的介绍到此就结束了，不知道你从中找到你需要的信息了吗 ？如果你还想了解更多这方面的信息，记得收藏关注本站。