1.Laplacian算子:
cv2.Laplacian(src, ddepth[, dst[, ksize[, scale[, delta[, borderType]]]]])
src: 输入图像,通常为灰度图像(单通道)。
ddepth: 输出图像的深度,一般使用cv2.CV_64F。
dst: 输出图像,与输入图像大小相同,可以不指定。
ksize: Laplacian算子的卷积核大小,一般为奇数,默认为1。
scale: 缩放因子,用于调整输出图像的强度,默认为1。
delta: 加法常数,用于调整输出图像的亮度,默认为0。
borderType: 边界扩充方式,默认为cv2.BORDER_DEFAULT。
需要注意的是Laplacian算子是一种二阶微分算子,用于检测图像中的边缘和纹理变化。Laplacian算子对于细节和纹理的捕捉较好,但它对噪声比较敏感。通常不单独使用laplacian。
2.Scharr算子:
cv2.Scharr(src, ddepth, dx, dy[, dst[, scale[, delta[, borderType]]]])
src: 输入图像,通常为灰度图像(单通道)。
ddepth: 输出图像的深度,一般使用cv2.CV_64F。
dx: x方向的导数阶数,取0、1或-1。当dx取-1时,表示使用水平方向的一阶导数(即对x方向进行边缘检测),而dy使用默认值0,表示不进行垂直方向的边缘检测。(其他类似)
dy: y方向的导数阶数,取0、1或-1。
其他参数与Laplacian算子类似。
cv2.Scharr函数没有ksize参数。这是因为Scharr算子的卷积核大小是固定的,它使用了一个特定的3x3卷积核。与Sobel算子相比,Scharr算子在边缘检测方面具有更高的精度,因此不需要指定卷积核大小。
3.Sobel算子:
cv2.Sobel(src, ddepth, dx, dy[, dst[, ksize[, scale[, delta[, borderType]]]]])
src: 输入图像,通常为灰度图像(单通道)。
ddepth: 输出图像的深度,一般使用cv2.CV_64F。
dx: x方向的导数阶数,取0、1或-1。
dy: y方向的导数阶数,取0、1或-1。
ksize: Sobel算子的卷积核大小,一般为奇数,默认为3。
其他参数与Laplacian算子类似。
演示
img = cv2.imread('你的路径',cv2.IMREAD_GRAYSCALE)
sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)
sobelx = cv2.convertScaleAbs(sobelx)
sobely = cv2.convertScaleAbs(sobely)
sobelxy = cv2.addWeighted(sobelx,0.5,sobely,0.5,0)
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)
laplacian = cv2.Laplacian(img,cv2.CV_64F,ksize=3)
laplacian = cv2.convertScaleAbs(laplacian)
r = np.hstack((img,sobelxy,scharrxy,laplacian))
cv_show('r',r)
输出结果:分别:原图、sobel、scharr、laplacian