我们可以使用
3
×
3
3 \times 3
3×3 的卷积核来进行图像求导:
G
y
′
=
[
+
1
+
2
+
1
0
0
0
−
1
−
2
−
1
]
∗
I
G
x
′
=
[
+
1
0
−
1
+
2
0
−
2
+
1
0
−
1
]
∗
I
{G}'_{y}={ \begin{bmatrix}+1&+2&+1\\0&0&0\\-1&-2&-1\end{bmatrix}}*\mathbf {I} \qquad {G}'_{x}={\begin{bmatrix}+1&0&-1\\+2&0&-2\\+1&0&-1\end{bmatrix}}*\mathbf {I}
Gy′=⎣⎡+10−1+20−2+10−1⎦⎤∗IGx′=⎣⎡+1+2+1000−1−2−1⎦⎤∗I
其中
I
I
I表示原图片,
G
x
′
\mathbf {G}'_{x}
Gx′和
G
y
′
\mathbf {G}'_{y}
Gy′分别表示沿图片水平和竖直方向上的变化, * 表示卷积操作
1 Sobel算子
G
x
=
[
−
1
0
1
−
2
0
2
−
1
0
1
]
G
y
=
[
1
2
1
0
0
0
−
1
−
2
−
1
]
G_{x}=\left[\begin{array}{ccc}-1 & 0 & 1 \\-2 & 0 & 2 \\-1 & 0 & 1\end{array}\right] \qquad G_{y}=\left[\begin{array}{ccc}1 & 2 & 1 \\0 & 0 & 0 \\-1 & -2 & -1\end{array}\right]
Gx=⎣⎡−1−2−1000121⎦⎤Gy=⎣⎡10−120−210−1⎦⎤
例1:
dst = cv2.Sobel(src, ddepth, dx, dy, ksize)
ddepth——图像的深度
dx和dy——水平和竖直方向
ksize——Sobel算子的大小
def cv_show(img,name):
cv2.imshow(name,img)
cv2.waitKey()
cv2.destroyAllWindows()
#图2
img = cv2.imread('pie.png',cv2.IMREAD_GRAYSCALE)
cv_show(sobelx,'sobelx')
#图3
sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
cv_show(sobelx,'sobelx')
#图4
sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)
sobely = cv2.convertScaleAbs(sobely)
cv_show(sobely,'sobely')
#图5
sobelxy = cv2.addWeighted(sobelx,0.5,sobely,0.5,0)
cv_show(sobelxy,'sobelxy')
#图6
sobelxy=cv2.Sobel(img,cv2.CV_64F,1,1,ksize=3)
sobelxy = cv2.convertScaleAbs(sobelxy)
cv_show(sobelxy,'sobelxy')
白到黑是正数,黑到白就是负数了,所有的负数会被截断成0,所以要取绝对值
原图 | Gx | Gx2 |
---|---|---|
![]() | ![]() | ![]() |
Gy2 | GX2+GY2 | 直接计算Gxy(不建议) |
![]() | ![]() | ![]() |
再看一个栗子效果
原图 | GX2+GY2 | 直接计算Gxy(不建议) |
---|---|---|
![]() | ![]() | ![]() |
2 Scharr算子
3 laplacian算子
#不同算子的差异
img = cv2.imread('lena.jpg',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)
laplacian = cv2.convertScaleAbs(laplacian)
res = np.hstack((sobelxy,scharrxy,laplacian))
cv_show(res,'res')
效果对比Sobel/Scharr/laplacian
4 Canny边缘检测
-
使用高斯滤波器,以平滑图像,滤除噪声。
-
计算图像中每个像素点的梯度强度和方向。
-
应用非极大值(Non-Maximum Suppression)抑制,以消除边缘检测带来的杂散响应。
-
应用双阈值(Double-Threshold)检测来确定真实的和潜在的边缘。
-
通过抑制孤立的弱边缘最终完成边缘检测。
4.1 高斯滤波器
其中H为高斯核
4.2 梯度和方向
4.3 非极大值抑制
4.4 双阈值检测
如图,B区域舍弃,AC区域保留
举个栗子
v1=cv2.Canny(img,80,150)
v2=cv2.Canny(img,50,100)
res = np.hstack((img,v1,v2))
cv_show(res,'res')
原图、v1、v2