目標(biāo)

• 認識圖像梯度、邊界
• 學(xué)習(xí)函數(shù)cv2.Sobel()，cv2.Schar()，cv2.Laplacian()

原理

? 圖像梯度可以把圖像看成二維離散函數(shù)，圖像梯度其實就是這個二維離散函數(shù)的求導(dǎo)。OpenCV提供三種類型的梯度濾波器或高通濾波器，Sobel，Scharr和Laplacian.

Sobel 和 Scharr 算子

Sobel算子是結(jié)合了高斯平滑與微分運算的結(jié)合方法，所以它的抗噪聲能力很強，其是普通一階差分，是基于尋找梯度強度。每一個算子分別對應(yīng)這x和y這兩個方向的模板，故在代碼中要分別在兩個方向上處理，最后用cv2.addWeighted(...)函數(shù)將其組合起來。

Sobel算子

Sobel函數(shù)原型如下：

cv2.Sobel(src, ddepth, dx, dy[, dst[, ksize[, scale[, delta[, borderType]]]]])

前四個是必須的參數(shù)：

• 第一個參數(shù)是需要處理的圖像；
• 第二個參數(shù)是圖像的深度（數(shù)據(jù)類型），-1表示采用的是與原圖像相同的深度。目標(biāo)圖像的深度必須大于等于原圖像的深度；
• dx和dy表示的是求導(dǎo)的階數(shù)，0表示這個方向上沒有求導(dǎo)，一般為0、1、2；

其后是可選的參數(shù)：

• ksize是Sobel算子的大小，必須為1、3、5、7。如果ksize=-1，那么一個3*3的scharr濾波器會被使用；
• delta是一個可選的增量，將會加到最終的dst中，同樣，默認情況下沒有額外的值加到dst中；
• borderType是判斷圖像邊界的模式。這個參數(shù)默認值為cv2.BORDER_DEFAULT；

Laplacian算子

拉普拉斯算子是常用的邊緣檢測算子，它是各向同性的二階導(dǎo)數(shù)。

計算公式卷積核

代碼實踐

Sobel算子：

# coding=utf-8 import cv2 import numpy as npimg = cv2.imread("/home/wl/1.jpg", 0)x = cv2.Sobel(img, cv2.CV_16S, 1, 0) y = cv2.Sobel(img, cv2.CV_16S, 0, 1)absX = cv2.convertScaleAbs(x) # 轉(zhuǎn)回uint8 absY = cv2.convertScaleAbs(y)dst = cv2.addWeighted(absX, 0.5, absY, 0.5, 0)while(1):cv2.imshow("absX", absX)cv2.imshow("absY", absY)cv2.imshow("Result", dst)k = cv2.waitKey(1) & 0XFFif k==ord('q'):break; cv2.destroyAllWindows()

原圖：

效果圖：

Laplacian算子：

# coding=utf-8 import cv2 import numpy as npimg = cv2.imread("/home/wl/1.jpg", 0) laplacian=cv2.Laplacian(img,cv2.CV_64F) dst = cv2.convertScaleAbs(laplacian) #轉(zhuǎn)回uint8 while(1):cv2.imshow("Result",dst)k = cv2.waitKey(1) & 0XFFif k==ord('q'):break; cv2.destroyAllWindows()

效果圖：

注意點

?? 代碼看了的話，會發(fā)現(xiàn)我們的sobel函數(shù)的第二個參數(shù)（數(shù)據(jù)類型）會換成cv2.CV_16S或cv2.CV_64F，最后再變回uint8。這是因為從黑到白的邊界點的導(dǎo)數(shù)是正數(shù)，而從白到黑是負數(shù)，如果還是使用uint8,那么所有的負數(shù)都會變?yōu)?,即被截斷。

轉(zhuǎn)載于:https://www.cnblogs.com/longwhite/p/10397752.html

新人創(chuàng)作打卡挑戰(zhàn)賽發(fā)博客就能抽獎！定制產(chǎn)品紅包拿不停！

總結(jié)

以上是生活随笔為你收集整理的Opencv笔记（十三）——图像的梯度的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

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