图像梯度
图像梯度计算的是图像变化的速度 对于图像的边缘部分,其灰度值变化较大,梯度值也较大
相反,对于图像中比较平滑的部分,其灰度值变化较小,相应的梯度值也较小。
图像梯度计算需要求导数,但是图像梯度一般通过计算像素值的差来得到梯度的近似值(近似导数值)。(差分,离散)
Sobel算子
1 #Sobel算法 2 #dst = cv2.sobel(src,depth,dx,dy,ksize) 3 #depth:深度 4 #dx和dy分别表示水平和竖直方向 5 #ksize:sobel的算子大小 6 #cv2.CV_64F,因为在计算梯度的时候会涉及到负值,如果单纯设置为-1,则会把负值改为0,显然是不符合梯度要求的, 7 #所以一般设置为cv2.cv_64f返回结果就可以是64位的一个数值,就是[-255, 255], 8 #这样如果出现负梯度,我们就把负梯度也保留了 9 10 sobelX = cv2.Sobel(img,cv2.CV_64F,1,0,3) 11 #白->黑是正数 相反是负数,会被截断为0 ,此时我们再用cv2.convertScaleAbs()函数把负梯度变正,就是我们的边缘信息了 12 sobelX = cv2.convertScaleAbs(sobelX) 13 Cv_Show('SobelX Picture',sobelX) 14 15 #sobelY同理 16 sobelY = cv2.Sobel(img,cv2.CV_64F,0,1,3) 17 sobelY = cv2.convertScaleAbs(sobelY) 18 Cv_Show('SobelY Picture',sobelY) 19 20 #将sobelX 和 sobelY通过cv2.addweighted()综合 21 sobelXY = cv2.addWeighted(sobelX, 0.5, sobelY, 0.5, 0) 22 Cv_Show('SobelXY Picture',sobelXY) 23 24 #如果直接求和 效果将会变差 出现重影等现象 故不建议 25 dirXY = cv2.Sobel(img,cv2.CV_64F,1,1,3) 26 dirXY = cv2.convertScaleAbs(dirXY) 27 Cv_Show('DirXY Picture',dirXY)
Scharr算子
1 #思想与sobel相同但是数值更大,相比于sobel对边缘更加敏感 2 scharrX = cv2.Scharr(img,cv2.CV_64F,1,0) 3 scharrY = cv2.Scharr(img,cv2.CV_64F,0,1) 4 scharrX = cv2.convertScaleAbs(scharrX) 5 scharrY = cv2.convertScaleAbs(scharrY) 6 scharrXY = cv2.addWeighted(scharrX,0.5,scharrY,0.5 ,0) 7 Cv_Show('Scharr Picture',scharrXY)
Laplacian算子
#Laplacian算子 ##Sobel算子和Scharr算子相当于一阶导,而Laplacian算子则涉及了二阶导,但受噪音影响比较大,不建议直接使用 需要和其他工具配合 laplacian = cv2.Laplacian(img,Cv_Show) laplacian = cv2.convertScaleAbs(laplacian) Cv_Show('laplacian Picture',laplacian)
比较
1 res = np.hstack((sobelXY,scharrXY,laplacian)) 2 Cv_Show('Sobel Scharr Laplacian Picture',res)
原文链接:https://www.cnblogs.com/mingrufeng/p/17343157.html
本站文章如无特殊说明,均为本站原创,如若转载,请注明出处:图像梯度 - Python技术站