图像梯度学习,再次感觉到,,,先不求甚解,现阶段学习思路为会用就行,基本原理不做太深研究,理解大概原理就行
以下为两个实验,主要演示了sobel求图像梯度的过程,和问题的解决(第一个实验只能找到一种边界)
# 原理:
# 简单的来说,梯度的原理就是求导数,opencv中有三种不同滤波器,或者说成高通滤波器。分别是Sobel,Scharr 和 Laplacian。
# 缺点:sobel求导只有两个方向,即x方向和y方向----不知道算不算缺点,感觉够用
# 参考:https://blog.csdn.net/tengfei461807914/article/details/76308989
# 用处:理解为通过求变化速度来求边界,图像边界处的图像梯度较大
import cv2
import numpy as np
from matplotlib import pyplot as plt
img1 = cv2.imread('image/canny.png', 0)
# 各种求导求图像梯度
laplacian = cv2.Laplacian(img1, cv2.CV_64F) # CV_64F为图像深度
sobelx = cv2.Sobel(img1, cv2.CV_64F, 1, 0, ksize=5) # 1,0参数表示在x方向求一阶导数
sobely = cv2.Sobel(img1, cv2.CV_64F, 0, 1, ksize=5) # 0,1参数表示在y方向求一阶导数
'''输出数据类型是cv2.CV_8U或np.uint8。但是有一个小问题。
从黑到白的边界导数是正数,白到黑是负数。
如果图像的深度信息是np.int8,负值全部会变成0,这样会丢掉边界信息。
如果想要两种边界都检测到,最高的办法就是将输出数据类型设置更高,cv2.CV_16S,cv2.CV_64F等等。
然后取绝对值,转换为cv2.CV_8U。'''
# 以下为修改数据类型,使其能检测到两种不同的边界
img = cv2.imread('image/sobel.png', 0)
# Output dtype = cv2.CV_8U
sobelx8u = cv2.Sobel(img, cv2.CV_8U, 1, 0, ksize=5)
# Output dtype = cv2.CV_64F. Then take its absolute and convert to cv2.CV_8U
sobelx64f = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=5)
abs_sobel64f = np.absolute(sobelx64f)
sobel_8u = np.uint8(abs_sobel64f)
plt.figure(figsize=(11, 11))
plt.subplot(3, 3, 1), plt.imshow(img1, cmap='gray')
plt.title('Original'), plt.xticks([]), plt.yticks([])
plt.subplot(3, 3, 2), plt.imshow(laplacian, cmap='gray')
plt.title('Laplacian'), plt.xticks([]), plt.yticks([])
plt.subplot(3, 3, 3), plt.imshow(sobelx, cmap='gray')
plt.title('Sobel X'), plt.xticks([]), plt.yticks([])
plt.subplot(3, 3, 4), plt.imshow(sobely, cmap='gray')
plt.title('Sobel Y'), plt.xticks([]), plt.yticks([])
plt.subplot(3, 3, 7), plt.imshow(img, cmap='gray')
plt.title('Original'), plt.xticks([]), plt.yticks([])
plt.subplot(3, 3, 8), plt.imshow(sobelx8u, cmap='gray')
plt.title('Sobel CV_8U'), plt.xticks([]), plt.yticks([])
plt.subplot(3, 3, 9), plt.imshow(sobel_8u, cmap='gray')
plt.title('Sobel abs(CV_64F)'), plt.xticks([]), plt.yticks([])
plt.show()