#图像梯度
(注意都需要cv.convertScaleAbs将得到的有些负值取绝对值得到正数，并将数据转化到0-255之间，且sobel与Scarr算法中的数据位数都是32位浮点型的)
import cv2 as cv
import numpy as np
def sobel_demo(image):
#注意是32位float数据
grad_x = cv.Scharr(image, cv.CV_32F, 1, 0)
grad_y = cv.Scharr(image, cv.CV_32F, 0, 1)
#当用sobel算子不能很好的得到边缘的时候，就可以用Scharr算子，这是加强版的sobel算子，就可以得到
#原图像不是很明显的边缘了
# grad_x =cv.Sobel(image,cv.CV_32F,1,0)
# grad_y =cv.Sobel(image,cv.CV_32F,0,1)
gradx =cv.convertScaleAbs(grad_x)
grady = cv.convertScaleAbs(grad_y)
#cv.imshow("gradx",gradx)
#cv.imshow("grady",grady)
dst = cv.addWeighted(gradx,0.5,grady,0.5,0)
cv.imshow("sobel_demo",dst)
def lapalace_demo(image):
#dst =cv.Laplacian(image,cv.CV_32F)
#dst =cv.convertScaleAbs(dst) 会把dst变成单通道的8位的0-255的图像
#也可以用filter2D来做拉普拉斯算子
kernel = np.array([[0,-1,0],[-1,4,-1],[0,-1,0]])
dst = cv.filter2D(image,cv.CV_32F,kernel)
dst = cv.convertScaleAbs(dst)
cv.imshow("lapalace",dst)
src = cv.imread("E:/opencv/picture/step.jpg")
cv.imshow("inital_window",src)
#sobel_demo(src)
lapalace_demo(src)
cv.waitKey(0)
cv.destroyAllWindows()
分析：
图像梯度可以把图像看成二维离散函数，图像梯度其实就是这个二维离散函数的求导。
一、 Sobel算子是普通一阶差分，是基于寻找梯度强度。拉普拉斯算子（二阶差分）是基于过零点检测。通过计算梯度，设置阀值，得到边缘图像。
def sobel_demo(image):
#注意是32位float数据
grad_x = cv.Scharr(image, cv.CV_32F, 1, 0)
grad_y = cv.Scharr(image, cv.CV_32F, 0, 1)
#当用sobel算子不能很好的得到边缘的时候，就可以用Scharr算子，这是加强版的sobel算子，就可以得到
#原图像不是很明显的边缘了
# grad_x =cv.Sobel(image,cv.CV_32F,1,0)
# grad_y =cv.Sobel(image,cv.CV_32F,0,1)
gradx = cv.convertScaleAbs(grad_x)
grady = cv.convertScaleAbs(grad_y)
#cv.imshow("gradx",gradx)
#cv.imshow("grady",grady)
dst = cv.addWeighted(gradx,0.5,grady,0.5,0)
cv.imshow("sobel_demo",dst)
1.Sobel算子用来计算图像灰度函数的近似梯度。Sobel算子根据像素点上下、左右邻点灰度加权差，在边缘处达到极值这一现象检测边缘。对噪声具有平滑作用，提供较为精确的边缘方向信息，边缘定位精度不够高。当对精度要求不是很高时，是一种较为常用的边缘检测方法。
2.Sobel具有平滑和微分的功效。即：Sobel算子先将图像横向或纵向平滑，然后再纵向或横向差分，得到的结果是平滑后的差分结果。
OpenCV的Sobel函数原型为：Sobel(src, ddepth, dx, dy[, dst[, ksize[, scale[, delta[, borderType]]]]]) -> dst
注：一般就设置src,ddepth = cv.CV_32F,dx,dy（对x方求梯度就是1,0对y方向求梯度就是0,1）
src参数表示输入需要处理的图像。
ddepth参数表示输出图像深度，针对不同的输入图像，输出目标图像有不同的深度。
具体组合如下：
src.depth() = CV_8U, 取ddepth =-1/CV_16S/CV_32F/CV_64F （一般源图像都为CV_8U，为了避免溢出，一般ddepth参数选择CV_32F）
src.depth() = CV_16U/CV_16S, 取ddepth =-1/CV_32F/CV_64F
src.depth() = CV_32F, 取ddepth =-1/CV_32F/CV_64F
src.depth() = CV_64F, 取ddepth = -1/CV_64F
注：ddepth =-1时，代表输出图像与输入图像相同的深度。
dx参数表示x方向上的差分阶数，1或0 。
dy参数表示y 方向上的差分阶数，1或0 。
dst参数表示输出与src相同大小和相同通道数的图像。
ksize参数表示Sobel算子的大小，必须为1、3、5、7。
scale参数表示缩放导数的比例常数，默认情况下没有伸缩系数。
delta参数表示一个可选的增量，将会加到最终的dst中，同样，默认情况下没有额外的值加到dst中。
borderType表示判断图像边界的模式。这个参数默认值为cv2.BORDER_DEFAULT。
2.OpenCV的convertScaleAbs函数使用线性变换转换输入数组元素成8位无符号整型。函数原型：convertScaleAbs(src[, dst[, alpha[, beta]]]) -> dst
src参数表示原数组。
dst参数表示输出数组 (深度为 8u)。
alpha参数表示比例因子。
beta参数表示原数组元素按比例缩放后添加的值。
3.OpenCV的addWeighted函数是计算两个数组的加权和。函数原型：addWeighted(src1, alpha, src2, beta, gamma[, dst[, dtype]]) -> dst
用于将x，y方向的梯度合成。
二、Scharr算子
当用sobel算子发现得到的边缘信息不明显的时候，就可以用Scharr算子了。该算子是sobel算子的加强版，用法也和sobel算子一样，效果更加突出。
Scharr算子也是计算x或y方向上的图像差分。OpenCV的Scharr函数原型为：Scharr(src, ddepth, dx, dy[, dst[, scale[, delta[, borderType]]]]) -> dst
参数和Sobel算子的几乎差不多，意思也一样，只是没有ksize大小。
三、拉普拉斯算子
1.拉普拉斯算子（Laplace Operator）是n维欧几里德空间中的一个二阶微分算子，定义为梯度（▽f）的散度（▽•f）。
2.OpenCV的Laplacian函数原型为：Laplacian(src, ddepth[, dst[, ksize[, scale[, delta[, borderType]]]]]) -> dst
src参数表示输入需要处理的图像。
ddepth参数表示输出图像深度，针对不同的输入图像，输出目标图像有不同的深度。
具体组合如下：
src.depth() = CV_8U, 取ddepth =-1/CV_16S/CV_32F/CV_64F （一般源图像都为CV_8U，为了避免溢出，一般ddepth参数选择CV_32F）
注：当然我们也可以cv.filter2D命令来make一个拉普拉斯算子：
kernel = np.array([[0,-1,0],[-1,4,-1],[0,-1,0]])
dst = cv.filter2D(image,cv.CV_32F,kernel)
dst = cv.convertScaleAbs(dst)
cv.imshow("lapalace",dst)
Canny算法
canny 的目标是找到一个最优的边缘检测算法，最优边缘检测的含义是：
好的检测- 算法能够尽可能多地标识出图像中的实际边缘。
好的定位- 标识出的边缘要尽可能与实际图像中的实际边缘尽可能接近。
最小响应- 图像中的边缘只能标识一次，并且可能存在的图像噪声不应标识为边缘。
3.算法步骤：
①高斯模糊 - GaussianBlur
②灰度转换 - cvtColor
③计算梯度 – Sobel/Scharr
④非最大信号抑制
⑤高低阈值输出二值图像
#canny算法常用步骤：
#高斯模糊：因为canny对噪声很敏感，注意核size别太大
#源图像灰度化
#canny算法：
像素值小于低阈值的舍弃，高于高阈值的保留作为边缘信息，大于低阈值且该像素仅仅在连接到一个高于高阈值的像素时被保留。一般高阈值：低阈值在2:1到3:1之间
def canny_demo(image):
image = cv.GaussianBlur(image,(3,3),0)
gray = cv.cvtColor(image,cv.COLOR_BGR2GRAY)
dst = cv.Canny(image,50,150)
cv.imshow("Canny_demo",dst)
该博客深入介绍了卷积神经网络的基础，包括边缘检测的概念，卷积操作中的padding和strided技术，详细展示了具体的卷积过程，并通过实例解释了卷积网络的参数计算。
1333
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
