关于opencv的学习（二）

接下来继续对opencv进行学习，学习图像梯度，Canny边缘检测和图像金字塔三部分内容

图像梯度

sobel算子：

#右-左，上-下
# dst = cv2.Sobel(scr,ddepth,dx,dy,ksize)
#ddepth：图像的深度   通常是-1
#dx，dy分别表示水平和竖直方向
#ksize是Soble算子的大小    一般3*3

 以上是对Sobel算子用法总体说明。

接下来是一些具体的应用：

cat = cv2.imread('cat.jpg',cv2.IMREAD_GRAYSCALE)
soblex = cv2.Sobel(cat,cv2.CV_64F,1,0,ksize=3)
cv_show('a',soblex)
sobley =cv2.Sobel(cat,cv2.CV_64F,0,1,ksize=3)
cv_show('b',sobley)

 左边是soblex，右边是sobley。

负数会被截断，取绝对值会使轮廓更清楚

#白到黑是正数，黑到白是负数，负数会被0截断，所以要取绝对值
soblex = cv2.Sobel(cat,cv2.CV_64F,1,0,ksize=3)
soblex =cv2.convertScaleAbs(soblex)
cv_show('c',soblex)

sobley =cv2.Sobel(cat,cv2.CV_64F,0,1,ksize=3)
sobley =cv2.convertScaleAbs(sobley)
cv_show('b',sobley)

其中convertScaleAbs是对对象取绝对值。

 

  左边是soblex，右边是sobley。

 下面是基于上述操作求和和直接求和的对比：

#分别计算x和y，再求和
soblexy=cv2.addWeighted(soblex,0.5,sobley,0.5,0)
cv_show('e',soblexy)

#直接计算：
soblexy =cv2.Sobel(cat,cv2.CV_64F,1,1,ksize=3)
soblexy =cv2.convertScaleAbs(soblexy)
cv_show('g',soblexy)
#效果可能不太好

左图是先计算x，y再求和，右边是直接求和。

 scharr与laplacian算子：

scharr对结果的差异更敏感
laplacian对噪点敏感

#线条更多
img=cv2.imread('cat.jpg',cv2.IMREAD_GRAYSCALE)
scharrx = cv2.Scharr(img,cv2.CV_64F,1,0)
scharry = cv2.Scharr(img,cv2.CV_64F,0,1)
scharrx = cv2.convertScaleAbs(scharrx)
scharry = cv2.convertScaleAbs(scharry)
scharrxy = cv2.addWeighted(scharrx,0.5,scharry,0.5,0)

#更简单
laplacian =cv2.Laplacian(img,cv2.CV_64F)
laplacian =cv2.convertScaleAbs(laplacian)

res = np.hstack((soblexy,scharrxy,laplacian))
cv_show('v',res)

 只是三个的对比图（其中soble是直接求和）

Canny边缘检测：

使用高斯滤波，滤除噪声
计算像素点的梯度和方向 （soble）
非极大值抑制
双阈值检测

通常情况下边缘检测的目的是在保留原有图像属性的情况下，显著减少图像的数据规模。

img = cv2.imread('cat.jpg',cv2.IMREAD_GRAYSCALE)
v1=cv2.Canny(img,80,150)    #80minVal  150maxVal
v2=cv2.Canny(img,50,100)    #越小要求越高，边缘信息越多

res = np.hstack((v1,v2))
cv_show('res',res)

 对比图，对于双阈值的选择，越小线条越多，边缘信息越多。

图像金字塔：

高斯金字塔

把图像放大或者缩小

先卷积后池化
print(img.shape)

up=cv2.pyrUp(img)
cv_show('up',up)
print(up.shape)

down = cv2.pyrDown(img)
cv_show('down',down)
print(down.shape)

原本的(296, 474)
放大的(592, 948)
缩小的(148, 237)

结果是不可逆转的，先上采样，再下采样，结果与原来的不一样，会丢失一部分信息

（了解）拉普拉斯金字塔：

down = cv2.pyrDown(img)
down_up =cv2.pyrUp(down)
l_l=img-down_up
cv_show('l_l',l_l)

 

 （cv_show是自己写好的函数）