您现在的位置是：首页 > Python

当前栏目

Python+OpenCV：图像梯度

2023-03-02 11:48:14 时间

## Python+OpenCV：图像梯度(Image Gradients) ##

### 理论 ###

OpenCV提供了三种类型的梯度滤波器或高通滤波器，Sobel, Scharr和Laplacian。

**1. Sobel和Scharr导数**

Sobel算子是一种联合高斯平滑加微分运算，具有较强的抗噪声能力。

您可以指定要取的导数的方向，垂直的或水平的(分别通过参数yorder和xorder)。

你也可以通过参数ksize来指定内核的大小。

如果ksize = -1，则使用3x3的Scharr滤波器，其结果优于3x3的Sobel滤波器。

请查看文档中使用的内核。

**2. Laplacian导数**

它计算由关系给出的图像的拉普拉斯算子，![20201114193317883.png][]其中每个导数都使用Sobel导数找到。

如果ksize = 1，则使用下面的内核进行过滤：

![20201114193356103.png][]

### 示例 ###

####################################################################################################
    # 图像梯度(Image Gradients)
    def lmc_cv_image_gradients():
        """
            函数功能: 图像梯度(Image Gradients).
        """
    
        # 读取图像
        image = lmc_cv.imread('D:/99-Research/Python/Image/Sudoku.jpg')
        image = lmc_cv.cvtColor(image, lmc_cv.COLOR_BGR2GRAY)
    
        # 图像梯度(Image Gradients)
        laplacian_image = lmc_cv.Laplacian(image, lmc_cv.CV_64F, ksize=3, scale=1, delta=0,
                                           borderType=lmc_cv.BORDER_DEFAULT)
        sobelx_image = lmc_cv.Sobel(image, lmc_cv.CV_64F, 1, 0, ksize=5, scale=1, delta=0,
                                    borderType=lmc_cv.BORDER_DEFAULT)
        sobely_image = lmc_cv.Sobel(image, lmc_cv.CV_64F, 0, 1, ksize=5, scale=1, delta=0,
                                    borderType=lmc_cv.BORDER_DEFAULT)
    
        # 显示图像
        pyplot.figure('Image Display')
        titles = ['Original', 'Laplacian', 'Sobel X', 'Sobel Y']
        images = [image, laplacian_image, sobelx_image, sobely_image]
        for i in range(4):
            pyplot.subplot(2, 2, i + 1)
            pyplot.imshow(images[i], 'gray')
            pyplot.title(titles[i])
            pyplot.xticks([])
            pyplot.yticks([])
        pyplot.show()
    
        # 根据用户输入保存图像
        if ord("q") == (lmc_cv.waitKey(0) & 0xFF):
            # 销毁窗口
            pyplot.close()
        return

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpdWJpbmc4NjA5_size_16_color_FFFFFF_t_70][]

### 强调 ###

在上一个例子中，输出数据类型是cv.CV\_8U或np.uint8。但这有一个小问题，黑到白的过渡被认为是正斜率(它有一个正值)，而白到黑的过渡被认为是负斜率(它有一个负值)。

所以当你把数据转换成np.uint8，所有负斜率均为零。简单地说，你错过了这条边。

如果您想检测这两个边，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.CV\_8U。

下面的代码演示了水平Sobel滤波器的这个过程和结果的不同。

####################################################################################################
    # 正负梯度(Positive-Negative slope)
    def lmc_cv_positive_negative_slope():
        """
            函数功能: 正负梯度(Positive-Negative slope).
        """
    
        # 读取图像
        image = lmc_cv.imread('D:/99-Research/Python/Image/Box.png')
        image = lmc_cv.cvtColor(image, lmc_cv.COLOR_BGR2GRAY)
    
        # 正负梯度(Positive-Negative slope)
        # Output dtype = cv.CV_8U
        sobelx8u_image1 = lmc_cv.Sobel(image, lmc_cv.CV_8U, 1, 0, ksize=5, scale=1, delta=0,
                                       borderType=lmc_cv.BORDER_DEFAULT)
        # Output dtype = cv.CV_64F. Then take its absolute and convert to cv.CV_8U
        sobelx64f_image = lmc_cv.Sobel(image, lmc_cv.CV_64F, 1, 0, ksize=5, scale=1, delta=0,
                                       borderType=lmc_cv.BORDER_DEFAULT)
        abs_sobel64f_image = np.absolute(sobelx64f_image)
        sobelx8u_image2 = np.uint8(abs_sobel64f_image)
    
        # 显示图像
        pyplot.figure('Image Display')
        titles = ['Original', 'Sobel CV_8U', 'Sobel abs(CV_64F)']
        images = [image, sobelx8u_image1, sobelx8u_image2]
        for i in range(3):
            pyplot.subplot(1, 3, i + 1)
            pyplot.imshow(images[i], 'gray')
            pyplot.title(titles[i])
            pyplot.xticks([])
            pyplot.yticks([])
        pyplot.show()
    
        # 根据用户输入保存图像
        if ord("q") == (lmc_cv.waitKey(0) & 0xFF):
            # 销毁窗口
            pyplot.close()
        return

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpdWJpbmc4NjA5_size_16_color_FFFFFF_t_70 1][]

[20201114193317883.png]: /images/20221120/b4a81d4638d649b6a24bfd1852a8a48e.png
[20201114193356103.png]: /images/20221120/db76aba37c114c4cabffbef9caf569a6.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpdWJpbmc4NjA5_size_16_color_FFFFFF_t_70]: /images/20221120/80203599229d4185b1c7b913503df529.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpdWJpbmc4NjA5_size_16_color_FFFFFF_t_70 1]: https://img-blog.csdnimg.cn/20201114195824198.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpdWJpbmc4NjA5,size_16,color_FFFFFF,t_70

猜你喜欢

最长无重复子串
写技术博客的一些心得分享
Java 多线程（七）：线程池
Java 多线程（五）：锁（三）
Java 多线程（四）：锁（二）
Java 多线程（三）：锁（一）
Java 多线程（二）：并发编程的三大特性
线性时间非比较类排序
Java 多线程（一）：基础
合并k个已排序的链表
HDFS 高可用分布式环境搭建
合并两个有序数组
连续子数组的最大和
HDFS 分布式环境搭建
容器盛水问题
大数加法
HDFS 伪分布式环境搭建
设计LRU缓存结构
两数之和
使用单调栈来解决的一些问题

zl程序教程

当前栏目

Python+OpenCV：图像梯度

相关文章