圖像邊緣主要包含下面幾個(gè)部分

導(dǎo)入庫(kù)

import numpy as np import matplotlib.pyplot as plt import cv2 as cv

圖片輸出函數(shù)

def show(img):if img.ndim == 2:plt.imshow(img,cmap='gray')else:plt.imshow(cv.cvtColor(img,cv.COLOR_RGB2BGR))plt.show()

Premitt算子

Premitt算子一般包含以下兩種：

通過(guò)對(duì)水平方向和豎直方向的圖片進(jìn)行處理，然后合成，看最終的效果如何。

kx = np.array([[-1,0,1],[-1,0,1],[-1,0,1] ],dtype=np.float32) ky = np.array([[-1,-1,-1],[0,0,0],[1,1,1] ],dtype=np.float32) imgX = cv.filter2D(img,cv.CV_64F,kx) imgY = cv.filter2D(img,cv.CV_64F,ky) imgXY2 = np.abs(imgX)+np.abs(imgY) show(np.hstack([img,np.abs(imgX).clip(0,255),np.abs(imgY).clip(0,255),np.abs(imgXY2).clip(0,255)]))

處理效果如下所示：

Roberts算子

Roberts算子也有兩種形式，跟Premitt算子大同小異。

#Roberts算子 kx = np.array([[-1,0],[0,1] ],dtype=np.float32) ky = np.array([[0,1],[1,0] ],dtype=np.float32) imgX = cv.filter2D(img,cv.CV_64F,kx) imgY = cv.filter2D(img,cv.CV_64F,ky) imgXY = np.sqrt(imgX**2+imgY**2) imgXY2 = np.abs(imgX)+np.abs(imgY) show(np.hstack([img,np.abs(imgX).clip(0,255),np.abs(imgY).clip(0,255),np.abs(imgXY2).clip(0,255)]))

但是效果不如前者

Sobel-Feldman、Scharr算子

這兩種算子與上面的兩種算子，卷積核不一樣，其余的地方大同小異，看看效果如何。

#soble-feldmen算子 imgX = cv.Sobel(img,cv.CV_16S,1,0)#x方向一階偏導(dǎo)，y方向0階偏導(dǎo) imgY = cv.Sobel(img,cv.CV_16S,0,1)#y方向一階偏導(dǎo)，x方向0階偏導(dǎo) imgXY = np.abs(imgX)+np.abs(imgY) show(np.hstack([img,np.abs(imgX).clip(0,255),np.abs(imgY).clip(0,255),np.abs(imgXY).clip(0,255)])) #Scharr算子 imgX = cv.Scharr(img,cv.CV_64F,1,0) imgY = cv.Scharr(img,cv.CV_64F,0,1) imgXY = np.sqrt(imgX**2+imgY**2) show(np.hstack([img,np.abs(imgX).clip(0,255),np.abs(imgY).clip(0,255),np.abs(imgXY).clip(0,255)]))

soble-feldmen算子

Scharr算子

Laplacian算子

Laplacian算子基本上卷積核如下圖所示：

opencv中有用來(lái)實(shí)現(xiàn)的方法

#Laplacian算子 img_lap = cv.Laplacian(img,cv.CV_64F) show(np.abs(img_lap).clip(10,255))

LoG算子

LoG算子，是高斯模糊和Laplacian算子結(jié)合而成的。

#Log算子 img_blur = cv.GaussianBlur(img,(3,3),1) img_log = cv.Laplacian(img_blur,cv.CV_64F) show(np.hstack([np.abs(img_lap).clip(0,255),np.abs(img_log).clip(0,255)]))

和單純的Laplacian相比，去除了很多噪聲，emmm但是效果不是很好，可能是參數(shù)的問(wèn)題。

Canny算法

Canny算法的處理方式：

opencv中自帶的方法：

#canny邊緣檢測(cè) img2 = cv.Canny(img,20,200)#低于20一定不是邊緣，大于200就一定是強(qiáng)邊緣，處于20-200之間的，如果靠近強(qiáng)邊緣就一定是邊緣 show(np.hstack([img,img2]))

總結(jié)

以上是生活随笔為你收集整理的数字图像处理之图像边缘的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。