Python+OpenCV:图像梯度(Image Gradients)
理论
OpenCV提供了三种类型的梯度滤波器或高通滤波器,Sobel, Scharr和Laplacian。
1. Sobel和Scharr导数
Sobel算子是一种联合高斯平滑加微分运算,具有较强的抗噪声能力。
您可以指定要取的导数的方向,垂直的或水平的(分别通过参数yorder和xorder)。
你也可以通过参数ksize来指定内核的大小。
如果ksize = -1,则使用3x3的Scharr滤波器,其结果优于3x3的Sobel滤波器。
请查看文档中使用的内核。
2. Laplacian导数
它计算由关系给出的图像的拉普拉斯算子,其中每个导数都使用Sobel导数找到。
如果ksize = 1,则使用下面的内核进行过滤:
示例
####################################################################################################
# 图像梯度(Image Gradients)
def lmc_cv_image_gradients():
"""
函数功能: 图像梯度(Image Gradients).
"""
# 读取图像
image = lmc_cv.imread('D:/99-Research/Python/Image/Sudoku.jpg')
image = lmc_cv.cvtColor(image, lmc_cv.COLOR_BGR2GRAY)
# 图像梯度(Image Gradients)
laplacian_image = lmc_cv.Laplacian(image, lmc_cv.CV_64F, ksize=3, scale=1, delta=0,
borderType=lmc_cv.BORDER_DEFAULT)
sobelx_image = lmc_cv.Sobel(image, lmc_cv.CV_64F, 1, 0, ksize=5, scale=1, delta=0,
borderType=lmc_cv.BORDER_DEFAULT)
sobely_image = lmc_cv.Sobel(image, lmc_cv.CV_64F, 0, 1, ksize=5, scale=1, delta=0,
borderType=lmc_cv.BORDER_DEFAULT)
# 显示图像
pyplot.figure('Image Display')
titles = ['Original', 'Laplacian', 'Sobel X', 'Sobel Y']
images = [image, laplacian_image, sobelx_image, sobely_image]
for i in range(4):
pyplot.subplot(2, 2, i + 1)
pyplot.imshow(images[i], 'gray')
pyplot.title(titles[i])
pyplot.xticks([])
pyplot.yticks([])
pyplot.show()
# 根据用户输入保存图像
if ord("q") == (lmc_cv.waitKey(0) & 0xFF):
# 销毁窗口
pyplot.close()
return
强调
在上一个例子中,输出数据类型是cv.CV_8U或np.uint8。但这有一个小问题,黑到白的过渡被认为是正斜率(它有一个正值),而白到黑的过渡被认为是负斜率(它有一个负值)。
所以当你把数据转换成np.uint8,所有负斜率均为零。简单地说,你错过了这条边。
如果您想检测这两个边,更好的选择是保持输出数据类型为一些更高的形式,如cv.CV_16S, cv.CV_64F等,取其绝对值,然后转换回cv.CV_8U。
下面的代码演示了水平Sobel滤波器的这个过程和结果的不同。
####################################################################################################
# 正负梯度(Positive-Negative slope)
def lmc_cv_positive_negative_slope():
"""
函数功能: 正负梯度(Positive-Negative slope).
"""
# 读取图像
image = lmc_cv.imread('D:/99-Research/Python/Image/Box.png')
image = lmc_cv.cvtColor(image, lmc_cv.COLOR_BGR2GRAY)
# 正负梯度(Positive-Negative slope)
# Output dtype = cv.CV_8U
sobelx8u_image1 = lmc_cv.Sobel(image, lmc_cv.CV_8U, 1, 0, ksize=5, scale=1, delta=0,
borderType=lmc_cv.BORDER_DEFAULT)
# Output dtype = cv.CV_64F. Then take its absolute and convert to cv.CV_8U
sobelx64f_image = lmc_cv.Sobel(image, lmc_cv.CV_64F, 1, 0, ksize=5, scale=1, delta=0,
borderType=lmc_cv.BORDER_DEFAULT)
abs_sobel64f_image = np.absolute(sobelx64f_image)
sobelx8u_image2 = np.uint8(abs_sobel64f_image)
# 显示图像
pyplot.figure('Image Display')
titles = ['Original', 'Sobel CV_8U', 'Sobel abs(CV_64F)']
images = [image, sobelx8u_image1, sobelx8u_image2]
for i in range(3):
pyplot.subplot(1, 3, i + 1)
pyplot.imshow(images[i], 'gray')
pyplot.title(titles[i])
pyplot.xticks([])
pyplot.yticks([])
pyplot.show()
# 根据用户输入保存图像
if ord("q") == (lmc_cv.waitKey(0) & 0xFF):
# 销毁窗口
pyplot.close()
return