32 图像梯度–更多梯度算子(rober算子、prewitt算子)
代码
import cv2 as cv
import numpy as np
src = cv.imread("../images/test.png")
cv.namedWindow("input", cv.WINDOW_AUTOSIZE)
cv.imshow("input", src)
robert_x = np.array([[1, 0],[0, -1]], dtype=np.float32)
robert_y = np.array([[0, -1],[1, 0]], dtype=np.float32)
prewitt_x = np.array([[-1, 0, 1], [-1, 0, 1], [-1, 0, 1]], dtype=np.float32)
prewitt_y = np.array([[-1, -1, -1], [0, 0, 0], [1, 1, 1]], dtype=np.float32)
robert_grad_x = cv.filter2D(src, cv.CV_16S, robert_x)
robert_grad_y = cv.filter2D(src, cv.CV_16S, robert_y)
robert_dst = cv.add(robert_grad_x, robert_grad_y, dtype=cv.CV_16S)
robert_grad_x = cv.convertScaleAbs(robert_grad_x)
robert_grad_y = cv.convertScaleAbs(robert_grad_y)
robert_dst = cv.convertScaleAbs(robert_dst)
prewitt_grad_x = cv.filter2D(src, cv.CV_32F, prewitt_x)
prewitt_grad_y = cv.filter2D(src, cv.CV_32F, prewitt_y)
prewitt_dst = cv.add(prewitt_grad_x, prewitt_grad_y, dtype=cv.CV_16S)
prewitt_grad_x = cv.convertScaleAbs(prewitt_grad_x)
prewitt_grad_y = cv.convertScaleAbs(prewitt_grad_y)
prewitt_dst = cv.convertScaleAbs(prewitt_dst)
h, w = src.shape[:2]
robert_result = np.zeros([h, w*3, 3], dtype=src.dtype)
robert_result[0:h,0:w,:] = robert_grad_x
robert_result[0:h,w:2*w,:] = robert_grad_y
robert_result[0:h,2*w:3*w,:] = robert_dst
cv.imshow("robert_result", robert_result)
prewitt_result = np.zeros([h, w*3, 3], dtype=src.dtype)
prewitt_result[0:h,0:w,:] = prewitt_grad_x
prewitt_result[0:h,w:2*w,:] = prewitt_grad_y
prewitt_result[0:h,2*w:3*w,:] = prewitt_dst
cv.imshow("prewitt_result", prewitt_result)
cv.imwrite("prewitt.png", prewitt_result)
cv.imwrite("robert.png", robert_result)
cv.waitKey(0)
cv.destroyAllWindows()
实验结果
解释
图像的一阶导数算子除了sobel算子之外,常见的还有robert算子与prewitt算子,它们也都是非常好的可以检测图像的梯度边缘信息,通过OpenCV中自定义滤波器,使用自定义创建的robert与prewitt算子就可以实现图像的rober与prewitt梯度边缘检测
rober和prewitt算子具体定义如下。
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。