实验目的
- 使用三种梯度滤波器
三种梯度滤波:
Sobel高斯平滑与微分的结合体,坑噪音好。
Scharr 是对 Sobel使用小的卷积核求梯度角度的优化。
Laplacian 算子,调用二阶的Sobel
为什么要使用梯度滤波
轮廓边缘灰度变化明显些,层次感强些
原理参考:图像梯度的基本原理
代码实现
import cv2
import numpy as np
from matplotlib import pyplot as plt
img=cv2.imread('image1.jpg',0)
#cv2.CV_64F 输出图像的深度(数据类型)可以使用-1, 与原图像保持一致 np.uint8
laplacian=cv2.Laplacian(img,cv2.CV_64F)
# 参数 1,0 为只在 x 方向求一阶导数虽最大可以求 2 阶导数。
sobelx=cv2.Sobel(img,cv2.CV_64F,1,0,ksize=5) # 参数 0,1 为只在 y 方向求一俥导数虽最大可以求 2 俥导数。
sobely=cv2.Sobel(img,cv2.CV_64F,0,1,ksize=5)
plt.subplot(2,2,1),plt.imshow(img,cmap = 'gray')
plt.title('Original'), plt.xticks([]), plt.yticks([])
plt.subplot(2,2,2),plt.imshow(laplacian,cmap = 'gray')
plt.title('Laplacian'), plt.xticks([]), plt.yticks([])
plt.subplot(2,2,3),plt.imshow(sobelx,cmap = 'gray')
plt.title('Sobel X'), plt.xticks([]), plt.yticks([])
plt.subplot(2,2,4),plt.imshow(sobely,cmap = 'gray')
plt.title('Sobel Y'), plt.xticks([]), plt.yticks([])
plt.show()