OpenCV Python->；C++；：小数精度和散度 我目前正尝试用OpenCV翻译C++中的Python图像检测算法（以在智能手机应用程序中使用）。 我在某一点上有类似的结果，由于图像中的小差异的累积，这两种算法似乎有分歧：我在图像上应用了一些变换，但是Python中的十进制数字的数量远远大于C++（我使用CVY64 FC1矩阵），所以我在迭代之后得到了越来越多不同的结果

你对如何克服这个问题有什么想法吗

提前感谢：）

编辑：下面是一段代码，它在Python和C中给出了不同的结果++

void conv2(const Mat &img, const Mat& kernel, Mat& dest) {
  Mat source = img;
  Point anchor(kernel.cols - kernel.cols/2 - 1, kernel.rows - kernel.rows/2 - 1);
  flip(kernel, kernel, 0);
  filter2D(source, dest, -1, kernel, anchor);
}

void myFunc() {
  Mat im = imread("3.png", IMREAD_GRAYSCALE);
  im.convertTo(im, CV_64F);

  int rows = im.rows;
  int cols = im.cols;
  int sze = 7;

  Mat gauss = getGaussianKernel(sze, 1);
  Mat f = gauss * gauss.t();
  Mat fx, fy;
  Sobel(f, fx, -1, 1, 0);
  Sobel(f, fy, -1, 0, 1);
  Mat Gx, Gy, Gxx, Gyy, Gxy;
  filter2D(im, Gx, -1, fx);
  filter2D(im, Gy, -1, fy);
  pow(Gx, 2, Gxx);
  pow(Gy, 2, Gyy);
  Gxy = Gx.mul(Gy);

  gauss = getGaussianKernel(sze, 38);
  f = gauss * gauss.t();
  conv2(Gxx, f, Gxx);
  conv2(Gyy, f, Gyy);
  conv2(Gxy, f, Gxy);
  Gxy *= 2;

  Mat Gxx_minus_Gyy = Gxx - Gyy;
  Mat Gxy_squared, Gxx_minus_Gyy_squared;
  pow(Gxy, 2, Gxy_squared);
  pow(Gxx_minus_Gyy, 2, Gxx_minus_Gyy_squared);

  Mat denom;
  sqrt(Gxy_squared + Gxx_minus_Gyy_squared, denom);
  // denom += numeric_limits<double>::epsilon();
  Mat sin2theta = Gxy / denom;
  cout.precision(dbl::max_digits10);
  cout << fixed << sum(sin2theta) << endl;
  exit(1);
}

---

调用MyType（）调用“Sn2theta”矩阵中的元素和：Python给出86587.44928456949，C++给出8625.0550545 1805947 814，这开始产生了非常重要的差异。< /P>你真的需要在第十二（或类似的）十进制数字之后的精度吗？我不想寻找特定的精度，我认为这两个算法的结果是由Python和C++之间的精度差异引起的…请显示相关的代码，Python ADNC++都确定你看到的是C++的全精度值吗？关于信息，我使用了以下答案：好的，现在我可以检查散度的确切来源，非常感谢@Miki。你真的需要第12位（或类似的）小数后的精度吗？我不需要具体的精度，我认为这两个算法的结果是由Python和C++之间的精度差异引起的…请显示相关的代码，Python ADNC++都确定你看到的是C++的全精度值吗？关于信息，我使用了以下答案：好的，现在我可以检查分歧的确切来源，非常感谢@Miki。

def conv2(img, kernel):
    source = img
    kernel = cv2.flip(kernel, 0)
    rows, cols = kernel.shape
    anchor = (int(cols - cols/2 - 1), int(rows - rows/2 - 1))
    return cv2.filter2D(source, -1, kernel, anchor=anchor)


def myFunc():
    im = cv2.imread('3.png', cv2.IMREAD_GRAYSCALE)
    im = np.float64(im)

    rows, cols = im.shape;
    sze = 7

    gauss = cv2.getGaussianKernel(sze, 1);
    f = gauss * gauss.T;
    fx = cv2.Sobel(f, -1, 1, 0)
    fy = cv2.Sobel(f, -1, 0, 1)
    Gx = cv2.filter2D(im, -1, fx)
    Gy = cv2.filter2D(im, -1, fy)
    Gxx = cv2.pow(Gx,2);
    Gyy = cv2.pow(Gy,2);
    Gxy = cv2.multiply(Gx, Gy);

    gauss = cv2.getGaussianKernel(sze, 38);
    f = gauss * gauss.T;
    Gxx = conv2(Gxx, f)
    Gyy = conv2(Gyy, f)
    Gxy = 2*conv2(Gxy, f)
    Gxx_minus_Gyy = Gxx - Gyy
    Gxy_squared = cv2.pow(Gxy, 2)
    Gxx_minus_Gyy_squared = cv2.pow(Gxx_minus_Gyy, 2)
    denom = cv2.sqrt(Gxy_squared + Gxx_minus_Gyy_squared)
    # denom += np.finfo(float).eps;
    sin2theta = Gxy/denom
    print(cv2.sumElems(sin2theta))
    exit()