一. Prewitt滤波器简介
Prewitt是一种常用的检测图像边缘的滤波器,它分为横向和纵向算子,分别用于检测纵向和横向的边缘(注意:横向形式的滤波器检测图像的纵向边缘,纵向形式的滤波器检测图像的横向边缘)。
横向Prewitt滤波器(检测纵向边缘) ↑
纵向Prewitt滤波器(检测横向边缘) ↑
二. Prewitt滤波器和Sobel滤波器比较
注意比较记忆 Prewitt 滤波器和 Sobel 滤波器,它们在形式和功能上十分相近,Sobel滤波器的算子如下两图:
Sobel 纵向算子,提取图像横向边缘 ↑
Sobel 横向算子,提取图像纵向边缘 ↑
三. 实验:实现 Prewitt 算子并用算子对图像进行边缘检测
import cv2
import numpy as np
# prewitt filter
def prewitt_filter(img, K_size=3):
H, W = img.shape
# Zero padding
pad = K_size // 2
out = np.zeros((H + pad * 2, W + pad * 2), dtype=np.float)
out[pad: pad + H, pad: pad + W] = img.copy().astype(np.float)
tmp = out.copy()
out_v = out.copy()
out_h = out.copy()
## prewitt vertical kernel
Kv = [[-1., -1., -1.],[0., 0., 0.], [1., 1., 1.]]
## prewitt horizontal kernel
Kh = [[-1., 0., 1.],[-1., 0., 1.],[-1., 0., 1.]]
# filtering
for y in range(H):
for x in range(W):
out_v[pad + y, pad + x] = np.sum(Kv * (tmp[y: y + K_size, x: x + K_size]))
out_h[pad + y, pad + x] = np.sum(Kh * (tmp[y: y + K_size, x: x + K_size]))
out_v = np.clip(out_v, 0, 255)
out_h = np.clip(out_h, 0, 255)
out_v = out_v[pad: pad + H, pad: pad + W].astype(np.uint8)
out_h = out_h[pad: pad + H, pad: pad + W].astype(np.uint8)
return out_v, out_h
# Read Gray image
img = cv2.imread("../paojie_g.jpg",0).astype(np.float)
# prewitt filtering
out_v, out_h = prewitt_filter(img, K_size=3)
# Save result
cv2.imwrite("out_v.jpg", out_v)
cv2.imshow("result_v", out_v)
cv2.imwrite("out_h.jpg", out_h)
cv2.imshow("result_h", out_h)
cv2.waitKey(0)
cv2.destroyAllWindows()
四. 实验结果:
原图 ↑
Prewitt 横向算子滤波结果(过滤得到纵向边缘) ↑
Prewitt 纵向算子滤波结果(过滤得到横向边缘) ↑
我同时用同样大小的 Sobel算子 对同样图像进行了边缘检测,结果如下:
Sobel 横向算子滤波结果(过滤得到纵向边缘) ↑
Sobel 纵向算子滤波结果(过滤得到横向边缘) ↑
从实验结果,我们可以观察到,对比使用 Sobel算子 和 Prewitt算子 进行图像边缘检测 ,Sobel滤波器能够获得更加清晰明亮的边缘。
五. 参考内容: