opencv图像处理⑤

目录

图像梯度—Sobel算子

图像梯度—Scharr算子

图像梯度—laplacian算子 

---

 

图像梯度—Sobel算子

主要考虑两个方向：水平与竖直（右减左，下减上）

 img=cv2.imread('pie.png',cv2.IMREAD_GRAYSCALE)

cv2.imshow("img",img)

cv2.waitKey()

cv2.destroyAllWindows()

dst=cv2.Sobel(src,ddepth,dx,dy,ksize)

• src:当前图像 
• ddepth:图像的深度（通常情况下指定为-1）
• dx和dy分别表示水平和竖直方向
• ksize是Sobel算子的大小（通常为3*3的）

def cv_show(img,name):

      cv2.imshow(name,img)

      cv2.waitKey()

      cv2.destroyAllWindows()

#cv2.CV_64F：由于右减左，下减上可能会出现负值，而opencv中负值是被截断成0的，这里是使用一种位数较高的方法来显示负值。

sobelx=cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)

cv_show(sobelx,'sobelx')

 白点为边界处，相当于是有梯度的位置。但是发现右边没有白色边界，因为梯度值为负数显现不出来（白-黑为正，黑-白为负），所以需要进行取绝对值变为正数。

sobelx=cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)

sobelx=cv2.convertScaleAbs(sobelx)   #算负数的绝对值

cv_show(sobelx,'sobely')

 

 执行之后的图形

 接下来执行dy上的操作

sobely=cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)

sobely=cv2.convertScaleAbs(sobely) 

cv_show(sobely,'sobely')

执行后的图像 

分别计算x和y，再求和 

sobelxy=cv2.addWeighted(sobelx,0.5,sobely,0.5,0)  #按权重计算求和

cv_show(sobelxy,'sobelxy') 

 不建议直接计算dx，dy

 sobelxy=cv2.Sobel(img,cv2.CV_64F,1,1,ksize=3)

若按照上面式子直接计算Gx，Gy，则会出现重影，如下

 

---

下面使用lena图像进行操作 

img=cv2.imread('lena.jpg',cv2.IMREAD_GRAYSCALE)

sobelx=cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)

sobelx=cv2.convertScaleAbs(sobelx) 

sobely=cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)

sobely=cv2.convertScaleAbs(sobely) 

sobelxy=cv2.addWeighted(sobelx,0.5,sobely,0.5,0)

cv_show(sobelxy,'sobelxy')

  

原始图像与处理后的图像对比 

 下面采用直接计算

img=cv2.imread('lena.jpg',cv2.IMREAD_GRAYSCALE)

sobelxy=cv2.Sobel(img,cv2.CV_64F,1,1,ksize=3)

sobelxy=cv2.convertScaleAbs(sobelxy) 

cv_show(sobelxy,'sobelxy')

 

 重影，模糊

 

图像梯度—Scharr算子

与sobel算子相比，数值变的更大了一些，对结果的差异更敏感 

 

图像梯度—laplacian算子 

 对于一些变换更敏感，对一些噪音点更敏感，不一定是好事，经常和其他的工具结合使用。

该算子使中间的点与其边缘点进行比较，因为周边是四个点，所以中间指定为-4

下面为三种算子之间的图像对比 

img=cv2.imread('lena.jpg',cv2.IMREAD_GRAYSCALE)

sobelx=cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)

sobelx=cv2.convertScaleAbs(sobelx) 

sobely=cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)

sobely=cv2.convertScaleAbs(sobely) 

sobelxy=cv2.addWeighted(sobelx,0.5,sobely,0.5,0)

scharrx=cv2.Scharr(img,cv2.CV_64F,1,0)

scharry=cv2.Scharr(img,cv2.CV_64F,0,1)

scharrx=cv2.convertScaleAbs(scharrx) 

scharry=cv2.convertScaleAbs(scharry) 

scharrxy=cv2.addWeighted(scharrx,0.5,scharry,0.5,0)

laplacian=cv2.Laplacian(img,cv2.CV_64F)

laplacian=cv2.convertScaleAbs(laplacian)

res=np.hstack((sobelxy,scharrxy,lapacian))

cv_show(res,'res')

 scharr算子更敏感，对于图像的描述更加细腻更丰富一些