opencv-python学习笔记(七)—— 图像处理之图像梯度

系列文章目录

文章目录

  • 系列文章目录
  • 前言
  • 图像梯度
    • 1. Sobel和Scharr导数
    • 2. Laplacian导数
    • 3. 代码
    • 4. 图像深度问题

前言

学习找图像的梯度,边缘等
OpenCV提供三种类型的梯度滤波器或者说是高通滤波器:Sobel, Scharr和Laplacian。使用的函数: cv.Sobel(), cv.Scharr(), cv.Laplacian()

图像梯度

1. Sobel和Scharr导数

Sobel算子是一种结合高斯平滑和微分的操作,具有较强的抗噪声能力。你可以指定求导的方向,垂直或水平(分别通过参数yorder和xorder)。你还可以通过参数ksize指定kernel的大小。如果ksize = -1,则使用3x3的Scharr滤波器,其结果优于3x3的Sobel滤波器。请查看使用内核的文档。
opencv-python学习笔记(七)—— 图像处理之图像梯度_第1张图片

2. Laplacian导数

它通过公式 Δ s r c = ∂ 2 s r c ∂ x 2 + ∂ 2 s r c ∂ y 2 \Delta s r c=\frac{\partial^{2} s r c}{\partial x^{2}}+\frac{\partial^{2}{s r c}}{\partial y^{2}} Δsrc=x22src+y22src计算给出的图像的拉普拉斯量,其中每个导数都用Sobel导数找到。如果ksize = 1,则使用以下核进行滤波:
在这里插入图片描述

3. 代码

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
img = cv.imread('dave.jpg',0)
laplacian = cv.Laplacian(img,cv.CV_64F)
sobelx = cv.Sobel(img,cv.CV_64F,1,0,ksize=5)
sobely = cv.Sobel(img,cv.CV_64F,0,1,ksize=5)
plt.subplot(2,2,1),plt.imshow(img,cmap = 'gray')
plt.title('Original'), plt.xticks([]), plt.yticks([])
plt.subplot(2,2,2),plt.imshow(laplacian,cmap = 'gray')
plt.title('Laplacian'), plt.xticks([]), plt.yticks([])
plt.subplot(2,2,3),plt.imshow(sobelx,cmap = 'gray')
plt.title('Sobel X'), plt.xticks([]), plt.yticks([])
plt.subplot(2,2,4),plt.imshow(sobely,cmap = 'gray')
plt.title('Sobel Y'), plt.xticks([]), plt.yticks([])
plt.show()

opencv-python学习笔记(七)—— 图像处理之图像梯度_第2张图片

4. 图像深度问题

在我们的上一个例子中,输出数据类型是cv.CV_8U或np.uint8。但是有一个小问题。黑白过渡为正斜率(为正值),白黑为负斜率(为负值)。(参考下面的实验结果,矩形左边缘是由黑到白,右边边缘是由白到黑,斜率为负数,所以当输出图像为uint8时,该边测不出来)当你把数据转换成np.uint8,所有负斜率为0。简而言之,你错过了那个边缘。

如果你想检测两条边,更好的选择是保持输出数据类型为一些更高的形式,如cv.CV_16S,cv.CV_64F等,取其绝对值,然后转换回CV_8U。

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
img = cv.imread('box.png',0)
# Output dtype = cv.CV_8U
sobelx8u = cv.Sobel(img,cv.CV_8U,1,0,ksize=5)
# Output dtype = cv.CV_64F. Then take its absolute and convert to cv.CV_8U
sobelx64f = cv.Sobel(img,cv.CV_64F,1,0,ksize=5)
abs_sobel64f = np.absolute(sobelx64f)
sobel_8u = np.uint8(abs_sobel64f)
plt.subplot(1,3,1),plt.imshow(img,cmap = 'gray')
plt.title('Original'), plt.xticks([]), plt.yticks([])
plt.subplot(1,3,2),plt.imshow(sobelx8u,cmap = 'gray')
plt.title('Sobel CV_8U'), plt.xticks([]), plt.yticks([])
plt.subplot(1,3,3),plt.imshow(sobel_8u,cmap = 'gray')
plt.title('Sobel abs(CV_64F)'), plt.xticks([]), plt.yticks([])
plt.show()

opencv-python学习笔记(七)—— 图像处理之图像梯度_第3张图片

你可能感兴趣的:(#,OpenCV,opencv,计算机视觉,边缘检测,人工智能,图像识别)