OpenCV for Python之圖像梯度

Opencv4官方文檔:https://docs.opencv.org/2.4.4-beta/
Opencv4 for Python中文文檔點擊下載:OpenCV4 for Python 中文文檔

1 圖像梯度的概念

梯度簡單來說就是求導，在圖像上表現出來的就是提取圖像的邊緣（無論是橫向的、縱向的、斜方向的等等），所需要的是一個核模板。模板的不同結果也不同。所以能夠看到，全部的算子函數，歸結究竟都能夠用函數cv2.filter2D()來表示，不同的方法給予不同的核模板，然後演化爲不同的算子。OpenCV提供三種類型的梯度濾波器或高通濾波器，即Sobel，Scharr和Laplacian

2 Sobel 算子

Sobel算子是高斯平滑加微分運算的聯合運算，因此它更抗噪聲。逆可以指定要採用的導數方向，垂直或水平（分別通過參數yorder和xorder）。逆還可以通過參數ksize指定內核的大小。如果ksize = -1 ，則使用3x3 Scharr濾波器，比3x3 Sobel濾波器具有更好的結果。
demo:

def sobel_demo(image):
    grad_x = cv.Sobel(image, cv.CV_32F, 1, 0)  # 採用Scharr邊緣更突出,Sobel改爲Scharr即可
    grad_y = cv.Sobel(image, cv.CV_32F, 0, 1)

    gradx = cv.convertScaleAbs(grad_x)  # 由於算完的圖像有正有負，所以對其取絕對值
    grady = cv.convertScaleAbs(grad_y)

    # 計算兩個圖像的權值和，dst = src1*alpha + src2*beta + gamma
    gradxy = cv.addWeighted(gradx, 0.5, grady, 0.5, 0)

    cv.imshow("gradx", gradx)
    cv.imshow("grady", grady)
    cv.imshow("gradient", gradxy)

result:

3 Scharr 算子

原理和sobel算子原理一樣，只是卷積核不一樣，因此準確度更高一點
demo:

def sobel_demo(image):
    grad_x = cv.Scharr(image, cv.CV_32F, 1, 0)  # 採用Scharr邊緣更突出,Sobel改爲Scharr即可
    grad_y = cv.Scharr(image, cv.CV_32F, 0, 1)

    gradx = cv.convertScaleAbs(grad_x)  # 由於算完的圖像有正有負，所以對其取絕對值
    grady = cv.convertScaleAbs(grad_y)

    # 計算兩個圖像的權值和，dst = src1*alpha + src2*beta + gamma
    gradxy = cv.addWeighted(gradx, 0.5, grady, 0.5, 0)

    cv.imshow("gradx", gradx)
    cv.imshow("grady", grady)
    cv.imshow("gradient", gradxy)

result:

4 Laplacian 算子

demo:

def laplace_demo(image):  # 二階導數，邊緣更細
    dst = cv.Laplacian(image,cv.CV_32F)
    lpls = cv.convertScaleAbs(dst)
    cv.imshow("laplace_demo", lpls)

result:

5 自定義算子

def custom_laplace(image):
    # 以下算子與上面的Laplace_demo()是一樣的，增強採用np.array([[1, 1, 1], [1, -8, 1], [1, 1, 1]])
    kernel = np.array([[1, 1, 1], [1, -8, 1], [1, 1, 1]])
    dst = cv.filter2D(image, cv.CV_32F, kernel=kernel)
    lpls = cv.convertScaleAbs(dst)
    cv.imshow("custom_laplace", lpls)

result:

轉載請註明轉自:https://leejason.blog.csdn.net/article/details/106448002