一阶导数与Soble算子
二阶导数与拉普拉斯算子
二阶导数:在二阶导数的时候,最大变化出的值为零即边缘是零值(根据此理论就可以提取边缘)。
from matplotlib import pyplot as plt
from cv2 import cv2 as cv
import numpy as np
#图像梯度:sobel算子
def sobel_image(image):
grad_x = cv.Sobel(image, cv.CV_32F, 1, 0)#x方向导数
grad_y = cv.Sobel(image, cv.CV_32F, 0, 1)#y方向导数
gradx = cv.convertScaleAbs(grad_x)
grady = cv.convertScaleAbs(grad_y)
cv.imshow("X_sob", gradx)#颜色变化在水平分层
cv.imshow("Y_sob", grady)#颜色变化在垂直分层
gradxy = cv.addWeighted(gradx, 0.5, grady, 0.5, 0)#合起来
cv.imshow("xy_sob", gradxy)
#图像梯度:scharr算子:增强边缘
# Scharr 是 sobel 算子的增强版本,对噪声比较敏感
def scharr_image(image):
grad_x = cv.Scharr(image, cv.CV_32F, 1, 0)#x方向导数
grad_y = cv.Scharr(image, cv.CV_32F, 0, 1)#y方向导数
gradx = cv.convertScaleAbs(grad_x)
grady = cv.convertScaleAbs(grad_y)
cv.imshow("X_sch", gradx)#颜色变化在水平分层
cv.imshow("Y_sch", grady)#颜色变化在垂直分层
gradxy = cv.addWeighted(gradx, 0.5, grady, 0.5, 0)
cv.imshow("xy_sch", gradxy)
# lapalian 算子
def lapalian_image(image):
'''
dst = cv.Laplacian(image, cv.CV_32F)
lpls = cv.convertScaleAbs(dst)
'''
kernel = np.array([[0,1,0],[1,-4,1],[0,1,0]]) #定义卷积和 可以尝试其他的
dst = cv.filter2D(image,cv.CV_32F,kernel=kernel)
lpls = cv.convertScaleAbs(dst)
#上述3行是自定义的
cv.imshow("lpls", lpls)
#图像锐化
def custom_blur_demo(image):
kernel = np.array(([0,-1,0],[-1,5,-1],[0,-1,0]),np.float32)
dst = cv.filter2D(image,-1,kernel=kernel)
cv.imshow('custom_blur_demo',dst)
if __name__ == "__main__":
filepath = "C:\\pictures\\0000.png"
img = cv.imread(filepath) # blue green red
# cv.namedWindow("input image",cv.WINDOW_AUTOSIZE)
cv.imshow("input image",img)
custom_blur_demo(img)
cv.waitKey(0)
cv.destroyAllWindows()
Soble算子图
拉普拉斯算子:
图像锐化对比: