OpenCV开发笔记（四十一）：红胖子8分钟带你深入了解scharr滤波器算子边缘检测（图文并茂+浅显易懂+程序源码）

Stella981
• 阅读 556

若该文为原创文章，未经允许不得转载
原博主博客地址：https://blog.csdn.net/qq21497936
原博主博客导航：https://blog.csdn.net/qq21497936/article/details/102478062
本文章博客地址：https://blog.csdn.net/qq21497936/article/details/105425374
各位读者，知识无穷而人力有穷，要么改需求，要么找专业人士，要么自己研究

红胖子(红模仿)的博文大全：开发技术集合（包含Qt实用技术、树莓派、三维、OpenCV、OpenGL、ffmpeg、OSG、单片机、软硬结合等等）持续更新中...（点击传送门）

OpenCV开发专栏（点击传送门）

上一篇：《OpenCV开发笔记（四十）：红胖子8分钟带你深入了解Laplacian（拉普拉斯）算子边缘检测（图文并茂+浅显易懂+程序源码）》

下一篇：《OpenCV开发笔记（四十二）：红胖子8分钟带你深入了解标准霍夫线变换（图文并茂+浅显易懂+程序源码）》

前言

      红胖子来也！！！

      本篇章讲解scharrr滤波器，对比sobel算子边缘检测。

Demo

            Demo图像结果位置示意图：

OpenCV开发笔记（四十一）：红胖子8分钟带你深入了解scharr滤波器算子边缘检测（图文并茂+浅显易懂+程序源码）

OpenCV开发笔记（四十一）：红胖子8分钟带你深入了解scharr滤波器算子边缘检测（图文并茂+浅显易懂+程序源码）

OpenCV开发笔记（四十一）：红胖子8分钟带你深入了解scharr滤波器算子边缘检测（图文并茂+浅显易懂+程序源码）

OpenCV开发笔记（四十一）：红胖子8分钟带你深入了解scharr滤波器算子边缘检测（图文并茂+浅显易懂+程序源码）

OpenCV开发笔记（四十一）：红胖子8分钟带你深入了解scharr滤波器算子边缘检测（图文并茂+浅显易懂+程序源码）

OpenCV开发笔记（四十一）：红胖子8分钟带你深入了解scharr滤波器算子边缘检测（图文并茂+浅显易懂+程序源码）

OpenCV开发笔记（四十一）：红胖子8分钟带你深入了解scharr滤波器算子边缘检测（图文并茂+浅显易懂+程序源码）

OpenCV开发笔记（四十一）：红胖子8分钟带你深入了解scharr滤波器算子边缘检测（图文并茂+浅显易懂+程序源码）

Scharr滤波器与Sobel算子边缘检测

概述

      先把sobel算子边缘检测了解清楚，Scharr滤波器其实是Sobel的实际编程操作移植，只是加大了核矩阵的数据，其精度比Sobel算子边缘检测更高，此处我们来对比一下Sobel算子边缘检测与Scharr滤波器进行边缘检测。

      关于Sobel算子边缘检测具体请查看《OpenCV开发笔记（三十九）：红胖子8分钟带你深入了解sobel算子边缘检测（图文并茂+浅显易懂+程序源码）》

Sobel算子与Scharr滤波器

索贝尔算产生较好的检测效果，而且对噪声具有平滑抑制作用，但是得到的边缘较粗，且可能出现伪边缘。

*当图象比较复杂时,目标与背景就不能简单地用一个阈值来分离。这时就只有求助于边缘检测法或区域生长法. 而边缘检测法中最为常用的是Sobel算子。*

Sobel算子的优点是方法简单、处理速度快，并且所得的边缘光滑、连续。其缺点是边缘较粗，由于处理时需作两值化处理，故得到的边缘与阈值的选取也有很大的关系。

在调用Sobel()时其实是可以设置ksize为::SCHARR去实现，也可单独使用Scharr滤波器，其比Sobel算子精度更高，因此选择3x3滤波器时，还是优先选择Scharr滤波器，其速度与Sobel()速度同样快。

原理

第一步：分别在x和y两个方向求导

假设输入图像为I。

水平变化：将I与奇数大小的内核进行卷积，比如当核的大小为3时，Gx的计算结果为：

OpenCV开发笔记（四十一）：红胖子8分钟带你深入了解scharr滤波器算子边缘检测（图文并茂+浅显易懂+程序源码）

      垂直变化：将I与奇数大小的内核进行卷积，比如当核的大小为3时，Gy的计算结果为：

OpenCV开发笔记（四十一）：红胖子8分钟带你深入了解scharr滤波器算子边缘检测（图文并茂+浅显易懂+程序源码）

第二步：求出近似梯度

在图像的每一点，结合Gx和Gy求出近似梯度：

OpenCV开发笔记（四十一）：红胖子8分钟带你深入了解scharr滤波器算子边缘检测（图文并茂+浅显易懂+程序源码）

另外又是，也可以使用更简单的公示代替：

OpenCV开发笔记（四十一）：红胖子8分钟带你深入了解scharr滤波器算子边缘检测（图文并茂+浅显易懂+程序源码）

Scharr函数和Sobel一样，使用需要带额外的步骤

步骤一：先创建两个cv::Mat缓存

// 使用Scharr滤波器
// 步骤一：先分别创建2个矩阵，共4个
cv::Mat gradXMat, absGradXMat;
cv::Mat gradYMat, absGradYMat;
// copy
mat = windowMat(cv::Range(srcMat.rows * 2, srcMat.rows * 3),
                cv::Range(srcMat.cols * 0, srcMat.cols * 1));

步骤二：求X方向的梯度

// 步骤二：求X方向的梯度
//cv::Sobel(grayMat3Channels, gradXMat, CV_16S, 1, 0, 3, 1, 1);
cv::Scharr(grayMat3Channels, gradXMat, CV_16S, 1, 0, 1, 0,);
cv::convertScaleAbs(gradXMat, absGradXMat);

步骤三：求Y方向的梯度

// 步骤三：求Y方向的梯度
//cv::Sobel(grayMat3Channels, gradYMat, CV_16S, 0, 1, 3, 1, 1);
cv::Scharr(grayMat3Channels, gradXMat, CV_16S, 0, 1, 1, 0,);
cv::convertScaleAbs(gradYMat, absGradYMat);

步骤四：合并梯度（近似）

// 步骤四：合并梯度（近似）
cv::addWeighted(absGradXMat, 0.5, absGradYMat, 0.5, 0, dstMat);

Scharr函数原型

void Scharr( InputArray src,
           OutputArray dst,
           int ddepth,
           int dx,
           int dy, 
           double scale = 1,
           double delta = 0,
           int borderType = BORDER_DEFAULT );
  • 参数一：InputArray类型的image，一般是cv::Mat；
  • 参数二：OutputArray类型的dst，与输入的图像大小相同；
  • 参数三：int类型的ddepth，输出图像深度，8位输入图像会导致结果被截断，组合有如下：

OpenCV开发笔记（四十一）：红胖子8分钟带你深入了解scharr滤波器算子边缘检测（图文并茂+浅显易懂+程序源码）

  • 参数四：int类型的dx，x方向上的差分阶数，1或者0；
  • 参数五：int类型的dy，y方向上的差分阶数，1或者0；
  • 参数六：double类型的scale，缩放计算的导数值的可选比例因子；默认值为1，表示没有进行缩放；
  • 参数七：double类型的detal，delta在将结果存储到dst前添加到结果中；
  • 参数八：int类型的borderType，一般情况下无需关注；

颜色转换函数

void convertScaleAbs(InputArray src,
                   OutputArray dst,
                   double alpha = 1,
                   double beta = 0);
  • 参数一：InputArray类型的image，一般是cv::Mat；
  • 参数二：OutputArray类型的dst，输出图像；
  • 参数三：double类型的appha；
  • 参数四：double类型的depth；

（补充：其实这个就是类似于对比度和亮度的调整，但是却不是，因为当其计算结果小于0时，不会去做处理，导致值向前借位，反而变白了）

Demo源码

void OpenCVManager::testScharr()
{
    QString fileName1 = "E:/qtProject/openCVDemo/openCVDemo/modules/openCVManager/images/11.jpg";
    cv::Mat srcMat = cv::imread(fileName1.toStdString());

    if(!srcMat.data)
    {
        qDebug() << __FILE__ << __LINE__
                 << "Failed to load image:" << fileName1;
        return;
    }

    int width = 300;
    int height = 200;
    cv::resize(srcMat, srcMat, cv::Size(width, height));

    cv::String windowName = _windowTitle.toStdString();
    cvui::init(windowName);


    cv::Mat dstMat;
    dstMat = cv::Mat::zeros(srcMat.size(), srcMat.type());
    cv::Mat windowMat = cv::Mat(cv::Size(dstMat.cols * 3, dstMat.rows * 4),
                                srcMat.type());
    int ksize = 1;   // 核心大小
    int sigmaX = 0;  // x方向的标准偏差
    int sigmaY = 0;  // y方向的标准偏差

    int ksize2 = 1;

    int sigmaS = 160;
    int sigmaR = 2;

    cvui::window(windowMat, dstMat.cols, 0, dstMat.cols, dstMat.rows, "settings");
    cv::Mat grayMat;
    cv::Mat grayMat3Channels;
    cv::Mat mat;
    cv::cvtColor(srcMat, grayMat, CV_BGR2GRAY);
    cv::cvtColor(grayMat, grayMat3Channels, CV_GRAY2BGR);
    while(true)
    {
        windowMat = cv::Scalar(0, 0, 0);
        // 原图先copy到左边
        cv::Mat leftMat = windowMat(cv::Range(0, srcMat.rows),
                                    cv::Range(0, srcMat.cols));
        cv::addWeighted(leftMat, 1.0f, srcMat, 1.0f, 0.0f, leftMat);
        // 中间为调整滤波参数的相关设置
        cvui::printf(windowMat, width * 2 + 75, 20, "ksize = size *  2 + 1");
        cvui::trackbar(windowMat, width * 2 + 75, 30, 165, &ksize, 0, 10);

        cvui::printf(windowMat, width * 2 + 75, 80, "sigmaX");
        cvui::trackbar(windowMat, width * 2 + 75, 90, 165, &sigmaX, 0, 100);

        cvui::printf(windowMat, width * 2 + 75, 140, "sigmaY");
        cvui::trackbar(windowMat, width * 2 + 75, 150, 165, &sigmaY, 0, 100);

        // 复制灰度图像
        {
            cv::Mat rightMat = windowMat(cv::Range(srcMat.rows * 1, srcMat.rows * 2),
                                         cv::Range(srcMat.cols * 1, srcMat.cols * 2));
            cv::addWeighted(rightMat, 0.0f, grayMat3Channels, 1.0f, 0.0f, rightMat);
        }

        {
            // 高斯滤波
            cv::Mat mat;
            cv::GaussianBlur(grayMat3Channels, mat, cv::Size(ksize * 2 + 1, ksize * 2 + 1), sigmaX / 10.f, sigmaY / 10.f);

            // 高斯滤波后进行边缘检测
            // 使用Sobel边缘检测
            // 步骤一：先分别创建2个矩阵，共4个
            cv::Mat gradXMat, absGradXMat;
            cv::Mat gradYMat, absGradYMat;
            // 步骤二：求X方向的梯度
            cv::Sobel(mat, gradXMat, CV_16S, 1, 0, ksize2 * 2 + 1, 1, 1);
            cv::convertScaleAbs(gradXMat, absGradXMat);
            // 步骤三：求Y方向的梯度
            cv::Sobel(mat, gradYMat, CV_16S, 0, 1, ksize2 * 2 + 1, 1, 1);
            cv::convertScaleAbs(gradYMat, absGradYMat);
            // 步骤四：合并梯度（近似）
            cv::addWeighted(absGradXMat, 0.5, absGradYMat, 0.5, 0, dstMat);
            cv::Mat rightMat2 = windowMat(cv::Range(srcMat.rows * 1, srcMat.rows * 2),
                                          cv::Range(srcMat.cols * 0, srcMat.cols * 1));
            cv::addWeighted(rightMat2, 0.0f, dstMat, 1.0f, 0.0f, rightMat2);

        }
        {
            // 使用Sobel边缘检测
            // 步骤一：先分别创建2个矩阵，共4个
            cv::Mat gradXMat, absGradXMat;
            cv::Mat gradYMat, absGradYMat;
            // 步骤二：求X方向的梯度
            cv::Sobel(grayMat3Channels, gradXMat, CV_16S, 1, 0, ksize2 * 2 + 1, 1, 1);
            cv::convertScaleAbs(gradXMat, absGradXMat);
            // 步骤三：求Y方向的梯度
            cv::Sobel(grayMat3Channels, gradYMat, CV_16S, 0, 1, ksize2 * 2 + 1, 1, 1);
            cv::convertScaleAbs(gradYMat, absGradYMat);
            // 步骤四：合并梯度（近似）
            cv::addWeighted(absGradXMat, 0.5, absGradYMat, 0.5, 0, dstMat);
            // copy
            mat = windowMat(cv::Range(srcMat.rows * 2, srcMat.rows * 3),
                            cv::Range(srcMat.cols * 0, srcMat.cols * 1));
            cv::addWeighted(mat, 0.0f, dstMat, 1.0f, 0.0f, mat);
        }
        cvui::printf(windowMat, 75 + width * 2, height * 2 + 20, "sigmaS");
        cvui::trackbar(windowMat, 75 + width * 2, height * 2 + 50, 165, &sigmaS, 101, 10000);
        cvui::printf(windowMat, 75 + width * 2, height * 2 + 90, "sigmaR");
        cvui::trackbar(windowMat, 75 + width * 2, height * 2 + 120, 165, &sigmaR, 1, 100);
        cvui::printf(windowMat,
                     srcMat.cols * 2 + 75,
                     srcMat.rows * 1 + 100, "ksize");
        cvui::trackbar(windowMat,
                       srcMat.cols * 2 + 75,
                       srcMat.rows * 1 + 130,
                       165,
                       &ksize2,
                       0,
                       3);
        {
            // 使用自适应流形应用高维滤波。
            cv::Mat tempMat;
            cv::Ptr<cv::ximgproc::AdaptiveManifoldFilter> pAdaptiveManifoldFilter
                    = cv::ximgproc::createAMFilter(sigmaS/100.0f, sigmaR/100.0f, true);
            pAdaptiveManifoldFilter->filter(grayMat, tempMat);
            cv::cvtColor(tempMat, tempMat, CV_GRAY2BGR);
            // 使用Sobel边缘检测
            // 步骤一：先分别创建2个矩阵，共4个
            cv::Mat gradXMat, absGradXMat;
            cv::Mat gradYMat, absGradYMat;
            // 步骤二：求X方向的梯度
            cv::Sobel(tempMat, gradXMat, CV_16S, 1, 0, ksize2 * 2 + 1, 1, 1);
            cv::convertScaleAbs(gradXMat, absGradXMat);
            // 步骤三：求Y方向的梯度
            cv::Sobel(tempMat, gradYMat, CV_16S, 0, 1, ksize2 * 2 + 1, 1, 1);
            cv::convertScaleAbs(gradYMat, absGradYMat);
            // 步骤四：合并梯度（近似）
            cv::addWeighted(absGradXMat, 0.5, absGradYMat, 0.5, 0, dstMat);
            // copy
            mat = windowMat(cv::Range(srcMat.rows * 3, srcMat.rows * 4),
                            cv::Range(srcMat.cols * 0, srcMat.cols * 1));
            cv::addWeighted(mat, 0.0f, dstMat, 1.0f, 0.0f, mat);
        }

        {
            // 高斯滤波
            cv::Mat mat;
            cv::GaussianBlur(grayMat3Channels, mat, cv::Size(ksize * 2 + 1, ksize * 2 + 1), sigmaX / 10.f, sigmaY / 10.f);

            // 高斯滤波后进行边缘检测
            // 使用Sobel边缘检测
            // 步骤一：先分别创建2个矩阵，共4个
            cv::Mat gradXMat, absGradXMat;
            cv::Mat gradYMat, absGradYMat;
            // 步骤二：求X方向的梯度
//            cv::Sobel(mat, gradXMat, CV_16S, 1, 0, ksize2 * 2 + 1, 1, 1);
            cv::Scharr(mat, gradXMat, CV_16S, 1, 0, 1, 1);
            cv::convertScaleAbs(gradXMat, absGradXMat);
            // 步骤三：求Y方向的梯度
//            cv::Sobel(mat, gradYMat, CV_16S, 0, 1, ksize2 * 2 + 1, 1, 1);
            cv::Scharr(mat, gradYMat, CV_16S, 1, 0, 1, 1);
            cv::convertScaleAbs(gradYMat, absGradYMat);
            // 步骤四：合并梯度（近似）
            cv::addWeighted(absGradXMat, 0.5, absGradYMat, 0.5, 0, dstMat);
            cv::Mat rightMat2 = windowMat(cv::Range(srcMat.rows * 1, srcMat.rows * 2),
                                          cv::Range(srcMat.cols * 1, srcMat.cols * 2));
            cv::addWeighted(rightMat2, 0.0f, dstMat, 1.0f, 0.0f, rightMat2);
        }

        {
            // 使用Sobel边缘检测
            // 步骤一：先分别创建2个矩阵，共4个
            cv::Mat gradXMat, absGradXMat;
            cv::Mat gradYMat, absGradYMat;
            // 步骤二：求X方向的梯度
//            cv::Sobel(grayMat3Channels, gradXMat, CV_16S, 1, 0, ksize2 * 2 + 1, 1, 1);
            cv::Scharr(grayMat3Channels, gradXMat, CV_16S, 1, 0, 1, 1);
            cv::convertScaleAbs(gradXMat, absGradXMat);
            // 步骤三：求Y方向的梯度
//            cv::Sobel(grayMat3Channels, gradYMat, CV_16S, 0, 1, ksize2 * 2 + 1, 1, 1);
            cv::Scharr(grayMat3Channels, gradYMat, CV_16S, 1, 0, 1, 1);
            cv::convertScaleAbs(gradYMat, absGradYMat);
            // 步骤四：合并梯度（近似）
            cv::addWeighted(absGradXMat, 0.5, absGradYMat, 0.5, 0, dstMat);
            // copy
            mat = windowMat(cv::Range(srcMat.rows * 2, srcMat.rows * 3),
                            cv::Range(srcMat.cols * 1, srcMat.cols * 2));
            cv::addWeighted(mat, 0.0f, dstMat, 1.0f, 0.0f, mat);
        }
        {
            // 使用自适应流形应用高维滤波。
            cv::Mat tempMat;
            cv::Ptr<cv::ximgproc::AdaptiveManifoldFilter> pAdaptiveManifoldFilter
                    = cv::ximgproc::createAMFilter(sigmaS/100.0f, sigmaR/100.0f, true);
            pAdaptiveManifoldFilter->filter(grayMat, tempMat);
            cv::cvtColor(tempMat, tempMat, CV_GRAY2BGR);
            // 使用Sobel边缘检测
            // 步骤一：先分别创建2个矩阵，共4个
            cv::Mat gradXMat, absGradXMat;
            cv::Mat gradYMat, absGradYMat;
            // 步骤二：求X方向的梯度
//            cv::Sobel(tempMat, gradXMat, CV_16S, 1, 0, ksize2 * 2 + 1, 1, 1);
            cv::Scharr(tempMat, gradXMat, CV_16S, 1, 0, 1, 1);
            cv::convertScaleAbs(gradXMat, absGradXMat);
            // 步骤三：求Y方向的梯度
//            cv::Sobel(tempMat, gradYMat, CV_16S, 0, 1, ksize2 * 2 + 1, 1, 1);
            cv::Scharr(tempMat, gradYMat, CV_16S, 1, 0, 1, 1);
            cv::convertScaleAbs(gradYMat, absGradYMat);
            // 步骤四：合并梯度（近似）
            cv::addWeighted(absGradXMat, 0.5, absGradYMat, 0.5, 0, dstMat);
            // copy
            mat = windowMat(cv::Range(srcMat.rows * 3, srcMat.rows * 4),
                            cv::Range(srcMat.cols * 1, srcMat.cols * 2));
            cv::addWeighted(mat, 0.0f, dstMat, 1.0f, 0.0f, mat);
        }
        // 更新
        cvui::update();
        // 显示
        cv::imshow(windowName, windowMat);
        // esc键退出
        if(cv::waitKey(25) == 27)
        {
            break;
        }
    }
}

.

工程模板：对应版本号v1.36.0

      对应版本号v1.36.0

上一篇：《OpenCV开发笔记（四十）：红胖子8分钟带你深入了解Laplacian（拉普拉斯）算子边缘检测（图文并茂+浅显易懂+程序源码）》

下一篇：《OpenCV开发笔记（四十二）：红胖子8分钟带你深入了解标准霍夫线变换（图文并茂+浅显易懂+程序源码）》

原博主博客地址：https://blog.csdn.net/qq21497936
原博主博客导航：https://blog.csdn.net/qq21497936/article/details/102478062
本文章博客地址：https://blog.csdn.net/qq21497936/article/details/105425374

本文同步分享在 博客“红胖子(AAA红模仿)”（CSDN）。
如有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一起分享。

前端
点赞
收藏
评论区
推荐文章
Stella981 Stella981
•
3年前
Gif开发笔记(一)：gif介绍、编译和工程模板
若该文为原创文章，转载请注明原文出处本文章博客地址：https://blog.csdn.net/qq21497936/article/details/110530966(https://www.oschina.net/action/GoToLink?urlhttps%3A%2F%2Fblog.csdn.net%2Fqq21497936%2Fartic
868
0
0
Stella981 Stella981
•
3年前
Qt开发技术：QCharts（四）QChart面积图介绍、Demo以及代码详解
若该文为原创文章，未经允许不得转载原博主博客地址：https://blog.csdn.net/qq21497936(https://www.oschina.net/action/GoToLink?urlhttps%3A%2F%2Fblog.csdn.net%2Fqq21497936)原博主博客导航：https://blog.csdn.net/
901
0
0
Stella981 Stella981
•
3年前
Keras 时序模型
版权声明：本文为博主原创文章，未经博主允许不得转载。https://blog.csdn.net/Thinking\_boy1992/article/details/53207177本文翻译自(https://www.oschina.net/action/GoToLink?urlhttps%3A%2F%2Fkeras.io%2Fgettingst
727
0
0
Stella981 Stella981
•
3年前
OpenCV开发笔记（七十）：红胖子带你傻瓜式编译VS2017x64版本的openCV4
若该文为原创文章，未经允许不得转载，经允许后转载请注明原文地址本文章博客地址：https://blog.csdn.net/qq21497936/article/details/107837715(https://www.oschina.net/action/GoToLink?urlhttps%3A%2F%2Fblog.csdn.net%2Fqq214
642
0
0
Wesley13 Wesley13
•
3年前
OSG开发笔记（二十一）：OSG使用HUD绘制图形以及纹理混合模式
若该文为原创文章，未经允许不得转载原博主博客地址：https://blog.csdn.net/qq21497936(https://www.oschina.net/action/GoToLink?urlhttps%3A%2F%2Fblog.csdn.net%2Fqq21497936)原博主博客导航：https://blog.csdn.ne
1401
0
0
Stella981 Stella981
•
3年前
Docker之Mysql安装及配置
原文:Docker之Mysql安装及配置(https://www.oschina.net/action/GoToLink?urlhttps%3A%2F%2Fblog.csdn.net%2Fzhaobw831%2Farticle%2Fdetails%2F80141633)版权声明：本文为博主原创文章，未经博主允许不得转载。https://blog
626
0
0
Stella981 Stella981
•
3年前
Qt开发技术：QCharts（三）QCharts样条曲线图介绍、Demo以及代码详解
若该文为原创文章，未经允许不得转载原博主博客地址：https://blog.csdn.net/qq21497936(https://www.oschina.net/action/GoToLink?urlhttps%3A%2F%2Fblog.csdn.net%2Fqq21497936)原博主博客导航：https://blog.csdn.net/
838
0
0
Stella981 Stella981
•
3年前
Qt开发技术：QtCharts（一）QtCharts基本介绍以及图表框架详解
若该文为原创文章，未经允许不得转载原博主博客地址：https://blog.csdn.net/qq21497936(https://www.oschina.net/action/GoToLink?urlhttps%3A%2F%2Fblog.csdn.net%2Fqq21497936)原博主博客导航：https://blog.csdn.net/
703
0
0
Stella981 Stella981
•
3年前
Mqtt开发笔记：Mqtt服务器搭建
若该文为原创文章，未经允许不得转载原博主博客地址：https://blog.csdn.net/qq21497936(https://www.oschina.net/action/GoToLink?urlhttps%3A%2F%2Fblog.csdn.net%2Fqq21497936)原博主博客导航：https://blog.csdn.net/
509
0
0
Stella981 Stella981
•
3年前
OpenCV开发笔记（四十九）：红胖子8分钟带你深入了解轮廓识别（图文并茂+浅显易懂+程序源码）
若该文为原创文章，未经允许不得转载原博主博客地址：https://blog.csdn.net/qq21497936(https://www.oschina.net/action/GoToLink?urlhttps%3A%2F%2Fblog.csdn.net%2Fqq21497936)原博主博客导航：https://blog.csdn.ne
553
0
0
Stella981
Stella981
Lv1
接天莲叶无穷碧，映日荷花别样红。
文章
1.7w
粉丝
42
获赞
28
热门文章
OpenVPN下载、安装、配置及使用详解
GitHub神器，一个可以白嫖全网无损音乐的神器
OpenWrt 路由器过滤广告的N种方法
Python—执行系统命令的四种方法（os.system、os.popen、commands、subprocess）
SS端加密以及obfs混淆