目標(biāo)

在本章中，我們將學(xué)習(xí)：

查找圖像梯度，邊緣等

我們將看到以下函數(shù)：cv．Sobel（），cv．Scharr（），cv．Laplacian（）等

理論

OpenCV提供三種類型的梯度濾波器或高通濾波器，即Sobel，Scharr和Laplacian。我們將看到他們每一種。

1． Sobel 和 Scharr 算子

Sobel算子是高斯平滑加微分運(yùn)算的聯(lián)合運(yùn)算，因此它更抗噪聲。逆可以指定要采用的導(dǎo)數(shù)方向，垂直或水平（分別通過參數(shù)yorder和xorder）。逆還可以通過參數(shù)ksize指定內(nèi)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(jié)果。請參閱文檔以了解所使用的內(nèi)核。

2． Laplacian 算子

它計(jì)算了由關(guān)系

給出的圖像的拉普拉斯圖，它是每一階導(dǎo)數(shù)通過Sobel算子計(jì)算。如果ksize ＝ 1，然后使用以下內(nèi)核用于過濾：

代碼

下面的代碼顯示了單個(gè)圖表中的所有算子。所有內(nèi)核都是5x5大小。輸出圖像的深度通過－1得到結(jié)果的np．uint8型。

kernel ＝ egin｛bmatrix｝ 0 ＆ 1 ＆ 0  1 ＆ －4 ＆ 1  0 ＆ 1 ＆ 0 end｛bm下面的代碼顯示了單個(gè)圖表中的所有算子。所有內(nèi)核都是5x5大小。輸出圖像的深度通過－1得到結(jié)果的np．uint8型。

import numpy as np

import cv2 as cv

from matplotlib import pyplot as plt

img ＝ cv．imread（＇dave．jpg＇，0）

laplacian ＝ cv．Laplacian（img，cv．CV＿64F）

sobelx ＝ cv．Sobel（img，cv．CV＿64F，1，0，ksize＝5）

sobely ＝ cv．Sobel（img，cv．CV＿64F，0，1，ksize＝5）

plt．subplot（2，2，1），plt．imshow（img，cmap ＝ ＇gray＇）

plt．title（＇Original＇）， plt．xticks（［］）， plt．yticks（［］）

plt．subplot（2，2，2），plt．imshow（laplacian，cmap ＝ ＇gray＇）

plt．title（＇Laplacian＇）， plt．xticks（［］）， plt．yticks（［］）

plt．subplot（2，2，3），plt．imshow（sobelx，cmap ＝ ＇gray＇）

plt．title（＇Sobel X＇）， plt．xticks（［］）， plt．yticks（［］）

plt．subplot（2，2，4），plt．imshow（sobely，cmap ＝ ＇gray＇）

plt．title（＇Sobel Y＇）， plt．xticks（［］）， plt．yticks（［］）

plt．show（）

結(jié)果：

gradients

一個(gè)重要事項(xiàng)

在我們的最后一個(gè)示例中，輸出數(shù)據(jù)類型為cv．CV＿8U或np．uint8。但這有一個(gè)小問題。黑色到白色的過渡被視為正斜率（具有正值），而白色到黑色的過渡被視為負(fù)斜率（具有負(fù)值）。因此，當(dāng)您將數(shù)據(jù)轉(zhuǎn)換為np．uint8時(shí)，所有負(fù)斜率均設(shè)為零。簡而言之，您會(huì)錯(cuò)過這一邊緣信息。

如果要檢測兩個(gè)邊緣，更好的選擇是將輸出數(shù)據(jù)類型保留為更高的形式，例如cv．CV＿16S，cv．CV＿64F等，取其絕對值，然后轉(zhuǎn)換回cv．CV＿8U。
下面的代碼演示了用于水平Sobel濾波器和結(jié)果差異的此過程。

import numpy as np

import cv2 as cv

from matplotlib import pyplot as plt

img ＝ cv．imread（＇box．png＇，0）

＃ Output dtype ＝ cv．CV＿8U

sobelx8u ＝ cv．Sobel（img，cv．CV＿8U，1，0，ksize＝5）

＃ Output dtype ＝ cv．CV＿64F． Then take its absolute and convert to cv．CV＿8U

sobelx64f ＝ cv．Sobel（img，cv．CV＿64F，1，0，ksize＝5）

abs＿sobel64f ＝ np．a(chǎn)bsolute（sobelx64f）

sobel＿8u ＝ np．uint8（abs＿sobel64f）

plt．subplot（1，3，1），plt．imshow（img，cmap ＝ ＇gray＇）

plt．title（＇Original＇）， plt．xticks（［］）， plt．yticks（［］）

plt．subplot（1，3，2），plt．imshow（sobelx8u，cmap ＝ ＇gray＇）

plt．title（＇Sobel CV＿8U＇）， plt．xticks（［］）， plt．yticks（［］）

plt．subplot（1，3，3），plt．imshow（sobel＿8u，cmap ＝ ＇gray＇）

plt．title（＇Sobel abs（CV＿64F）＇）， plt．xticks（［］）， plt．yticks（［］）

plt．show（）

查看以下結(jié)果：

double＿edge

不斷更新資源

獲取更多精彩