OpenCV-Python教程(6、Sobel算子)
本篇文章介绍如何用OpenCV-Python来使用Sobel算子。
提示:
- 转载请详细注明原作者及出处,谢谢!
- 本文介绍使用OpenCV-Python实现基本的滤波处理
- 本文不介详细的理论知识,读者可从其他资料中获取相应的背景知识。笔者推荐清华大学出版社的《图像处理与计算机视觉算法及应用(第2版) 》。
Sobel算子
原型
Sobel算子依然是一种过滤器,只是其是带有方向的。在OpenCV-Python中,使用Sobel的算子的函数原型如下:
- dst = cv2.Sobel(src, ddepth, dx, dy[, dst[, ksize[, scale[, delta[, borderType]]]]])
函数返回其处理结果。
前四个是必须的参数:
- 第一个参数是需要处理的图像;
- 第二个参数是图像的深度,-1表示采用的是与原图像相同的深度。目标图像的深度必须大于等于原图像的深度;
- dx和dy表示的是求导的阶数,0表示这个方向上没有求导,一般为0、1、2。
其后是可选的参数:
- dst不用解释了;
- ksize是Sobel算子的大小,必须为1、3、5、7。
- scale是缩放导数的比例常数,默认情况下没有伸缩系数;
- delta是一个可选的增量,将会加到最终的dst中,同样,默认情况下没有额外的值加到dst中;
- borderType是判断图像边界的模式。这个参数默认值为cv2.BORDER_DEFAULT。
使用
在OpenCV-Python中,Sobel函数的使用如下:
-
- import cv2
- import numpy as np
-
- img = cv2.imread("D:/lion.jpg", 0)
-
- x = cv2.Sobel(img,cv2.CV_16S,1,0)
- y = cv2.Sobel(img,cv2.CV_16S,0,1)
-
- absX = cv2.convertScaleAbs(x)
- absY = cv2.convertScaleAbs(y)
-
- dst = cv2.addWeighted(absX,0.5,absY,0.5,0)
-
- cv2.imshow("absX", absX)
- cv2.imshow("absY", absY)
-
- cv2.imshow("Result", dst)
-
- cv2.waitKey(0)
- cv2.destroyAllWindows()
解释
在Sobel函数的第二个参数这里使用了cv2.CV_16S。因为OpenCV文档中对Sobel算子的介绍中有这么一句:“in the case of 8-bit input images it will result in truncated derivatives”。即Sobel函数求完导数后会有负值,还有会大于255的值。而原图像是uint8,即8位无符号数,所以Sobel建立的图像位数不够,会有截断。因此要使用16位有符号的数据类型,即cv2.CV_16S。
在经过处理后,别忘了用convertScaleAbs()函数将其转回原来的uint8形式。否则将无法显示图像,而只是一副灰色的窗口。convertScaleAbs()的原型为:
- dst = cv2.convertScaleAbs(src[, dst[, alpha[, beta]]])
其中可选参数alpha是伸缩系数,beta是加到结果上的一个值。结果返回uint8类型的图片。
由于Sobel算子是在两个方向计算的,最后还需要用cv2.addWeighted(...)函数将其组合起来。其函数原型为:
- dst = cv2.addWeighted(src1, alpha, src2, beta, gamma[, dst[, dtype]])
其中alpha是第一幅图片中元素的权重,beta是第二个的权重,gamma是加到最后结果上的一个值。
结果
原图像为:
![OpenCV-Python教程(6)(7)(8): Sobel算子 Laplacian算子 Canny边缘检测_第1张图片](http://img.e-com-net.com/image/info5/6068ae1ee40b46d68cd08fb9d87ab311.jpg)
结果为:
![OpenCV-Python教程(6)(7)(8): Sobel算子 Laplacian算子 Canny边缘检测_第2张图片](http://img.e-com-net.com/image/info5/20f04edcf8114cf98159f0fa85a98586.jpg)
参考资料:
1、《Opencv2 Computer Vision Application Programming Cookbook》
2、《OpenCV References Manule》
OpenCV-Python教程(7、Laplacian算子)
本篇文章介绍如何用OpenCV-Python来使用Laplacian算子。
提示:
- 转载请详细注明原作者及出处,谢谢!
- 本文介绍使用在OpenCV-Python中使用Laplacian函数
- 本文不介详细的理论知识,读者可从其他资料中获取相应的背景知识。笔者推荐清华大学出版社的《图像处理与计算机视觉算法及应用(第2版) 》。
Laplacian算子
图像中的边缘区域,像素值会发生“跳跃”,对这些像素求导,在其一阶导数在边缘位置为极值,这就是Sobel算子使用的原理——极值处就是边缘。如下图(下图来自OpenCV官方文档):
![OpenCV-Python教程(6)(7)(8): Sobel算子 Laplacian算子 Canny边缘检测_第3张图片](http://img.e-com-net.com/image/info5/034c1800236742169097c59fa9b05e52.jpg)
如果对像素值求二阶导数,会发现边缘处的导数值为0。如下(下图来自OpenCV官方文档):
![OpenCV-Python教程(6)(7)(8): Sobel算子 Laplacian算子 Canny边缘检测_第4张图片](http://img.e-com-net.com/image/info5/4187b3947c304070a92a4861dfd6918a.jpg)
Laplace函数实现的方法是先用Sobel 算子计算二阶x和y导数,再求和:(CSDN,你打水印,让我的公式怎么办?)
![](http://img.e-com-net.com/image/info5/56ea9d6254904bf5ac5eb93fce24eef7.gif)
函数原型
在OpenCV-Python中,Laplace算子的函数原型如下:
- dst = cv2.Laplacian(src, ddepth[, dst[, ksize[, scale[, delta[, borderType]]]]])
如果看了上一篇Sobel算子的介绍,这里的参数应该不难理解。
前两个是必须的参数:
- 第一个参数是需要处理的图像;
- 第二个参数是图像的深度,-1表示采用的是与原图像相同的深度。目标图像的深度必须大于等于原图像的深度;
其后是可选的参数:
- dst不用解释了;
- ksize是算子的大小,必须为1、3、5、7。默认为1。
- scale是缩放导数的比例常数,默认情况下没有伸缩系数;
- delta是一个可选的增量,将会加到最终的dst中,同样,默认情况下没有额外的值加到dst中;
- borderType是判断图像边界的模式。这个参数默认值为cv2.BORDER_DEFAULT。
使用
这里还是以Sobel一文中的石狮作为测试图像,下面是测试代码:
-
- import cv2
- import numpy as np
-
- img = cv2.imread("D:/lion.jpg", 0)
-
- gray_lap = cv2.Laplacian(img,cv2.CV_16S,ksize = 3)
- dst = cv2.convertScaleAbs(gray_lap)
-
- cv2.imshow('laplacian',dst)
- cv2.waitKey(0)
- cv2.destroyAllWindows()
为了让结果更清晰,这里的ksize设为3,效果图如下:
![OpenCV-Python教程(6)(7)(8): Sobel算子 Laplacian算子 Canny边缘检测_第5张图片](http://img.e-com-net.com/image/info5/ff11c41239794638b07948426cf4a956.jpg)
有点像粉笔画,是吧。这是因为原图像未经过去噪就直接处理了。可以通过滤波一文中,使用低通滤波一节中高斯模糊来先处理一下再用拉普拉斯函数。
参考资料:
1、《Opencv2 Computer Vision Application Programming Cookbook》
2、《OpenCV References Manule》
OpenCV-Python教程(8、Canny边缘检测Sobel算子)
本篇文章介绍如何用OpenCV-Python来使用Canny算子。
提示:
- 转载请详细注明原作者及出处,谢谢!
- 本文介绍使用OpenCV-Python实现基本的滤波处理
- 本文不介详细的理论知识,读者可从其他资料中获取相应的背景知识。笔者推荐清华大学出版社的《图像处理与计算机视觉算法及应用(第2版) 》。
原型
OpenCV-Python中Canny函数的原型为:
- edge = cv2.Canny(image, threshold1, threshold2[, edges[, apertureSize[, L2gradient ]]])
必要参数:
- 第一个参数是需要处理的原图像,该图像必须为单通道的灰度图;
- 第二个参数是阈值1;
- 第三个参数是阈值2。
其中较大的阈值2用于检测图像中明显的边缘,但一般情况下检测的效果不会那么完美,边缘检测出来是断断续续的。所以这时候用较小的第一个阈值用于将这些间断的边缘连接起来。
可选参数中apertureSize就是Sobel算子的大小。而L2gradient参数是一个布尔值,如果为真,则使用更精确的L2范数进行计算(即两个方向的倒数的平方和再开放),否则使用L1范数(直接将两个方向导数的绝对值相加)。
具体的算法可参见清华大学出版社的《图像处理与计算机视觉算法及应用(第2版) 》第二章,其中有Canny算法的详细描述及实现。
函数返回一副二值图,其中包含检测出的边缘。
使用
Canny函数的使用很简单,只需指定最大和最小阈值即可。如下:
-
- import cv2
- import numpy as np
-
- img = cv2.imread("D:/lion.jpg", 0)
-
- img = cv2.GaussianBlur(img,(3,3),0)
- canny = cv2.Canny(img, 50, 150)
-
- cv2.imshow('Canny', canny)
- cv2.waitKey(0)
- cv2.destroyAllWindows()
首先,由于Canny只能处理灰度图,所以将读取的图像转成灰度图。
用高斯平滑处理原图像降噪。
调用Canny函数,指定最大和最小阈值,其中apertureSize默认为3。
处理结果如下:
![OpenCV-Python教程(6)(7)(8): Sobel算子 Laplacian算子 Canny边缘检测_第6张图片](http://img.e-com-net.com/image/info5/c57b8c909c674e43af6e91d28f199eac.jpg)
更多
这个程序只是静态的,在github上有一个可以在运行时调整阈值大小的程序。其代码如下:
- import cv2
- import numpy as np
-
- def CannyThreshold(lowThreshold):
- detected_edges = cv2.GaussianBlur(gray,(3,3),0)
- detected_edges = cv2.Canny(detected_edges,lowThreshold,lowThreshold*ratio,apertureSize = kernel_size)
- dst = cv2.bitwise_and(img,img,mask = detected_edges)
- cv2.imshow('canny demo',dst)
-
- lowThreshold = 0
- max_lowThreshold = 100
- ratio = 3
- kernel_size = 3
-
- img = cv2.imread('D:/lion.jpg')
- gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
-
- cv2.namedWindow('canny demo')
-
- cv2.createTrackbar('Min threshold','canny demo',lowThreshold, max_lowThreshold, CannyThreshold)
-
- CannyThreshold(0)
- if cv2.waitKey(0) == 27:
- cv2.destroyAllWindows()
原地址 在此
,其中还有其他的初级图像处理的代码,大伙可以去看看。后续文章将介绍更多的OpenCV的函数使用,以及视频的处理。
参考资料:
1、《Opencv2 Computer Vision Application Programming Cookbook》
2、《OpenCV References Manule》
from: http://blog.csdn.net/sunny2038/article/category/904451