31 图像梯度–Sobel算子
代码
import cv2 as cv
import numpy as np
src = cv.imread("../images/hist_02.jpg")
cv.namedWindow("input", cv.WINDOW_AUTOSIZE)
cv.imshow("input", src)
h, w = src.shape[:2]
x_grad = cv.Sobel(src, cv.CV_32F, 1, 0)
y_grad = cv.Sobel(src, cv.CV_32F, 0, 1)
x_grad = cv.convertScaleAbs(x_grad)
y_grad = cv.convertScaleAbs(y_grad)
result_xy = np.zeros([h, w*2, 3], dtype=src.dtype)
result_xy[0:h,0:w,:] = src
result_xy[0:h,w:2*w,:] = x_grad
cv.imshow("x_grad", result_xy)
result_xy[0:h,w:2*w,:] = y_grad
cv.imshow("y_grad", result_xy)
dst = cv.add(x_grad, y_grad, dtype=cv.CV_16S)
dst = cv.convertScaleAbs(dst)
# cv.imshow("gradient", dst)
result = np.zeros([h, w*2, 3], dtype=src.dtype)
result[0:h,0:w,:] = src
result[0:h,w:2*w,:] = dst
cv.imshow("result", result)
cv.waitKey(0)
cv.destroyAllWindows()
实验结果
解释
卷积的作用除了实现图像模糊或者去噪,还可以寻找一张图像上所有梯度信息,这些梯度信息是图像的最原始特征数据,进一步处理之后就可以生成一些比较高级的特征用来表示一张图像实现基于图像特征的匹配,图像分类等应用。Sobel算子是一种很经典的图像梯度提取算子,其本质是基于图像空间域卷积,背后的思想是图像一阶导数算子的理论支持。OpenCV实现了基于Sobel算子提取图像梯度的API,表示与解释如下:
dst = cv.Sobel(src, ddepth, dx, dy[, dst[, ksize[, scale[, delta[, borderType]]]]])
src
:输入图像ddepth
:图像深度CV_32Fdx
:1,X方向 一阶导数dy
:1,Y方向 一阶导数ksize = 3
: 窗口大小scale = 1
:放缩比率,1 表示不变delta = 0
:对输出结果图像加上常量值borderType = BORDER_DEFAULT
所有内容均来源于贾志刚老师的知识星球——OpenCV研习社,本文为个人整理学习,已获得贾老师授权,有兴趣、有能力的可以加入贾老师的知识星球进行深入学习。