前言
雾天图像和晴天图像其中一个较为明显的特征就是清晰度不同,晴天图像具有较高的清晰度,而雾天图像清晰度则较差。清晰度在本质上由边缘的梯度强度决定,强度越大则边缘越清晰。因此可以采用图像的边缘梯度分布来表征图像的清晰度。
本文采用Sobel 算子计算梯度,OpenCV使用函数 cv2.Sobel() 实现 。Sobel 算子运算是一种离散的微分算子,该算子结合了高斯平滑和微分求导运算。该算子利用局部差分寻找边缘,计算所得的是一个梯度的近似值。
代码实现
import matplotlib.pyplot as plt
from skimage.io import imread
import numpy as np
import cv2
# 读取雾天图像
img_blur = imread('1.jpg')
# 也可以通过cv2.GaussianBlur给原始图像添加高斯模糊生成模糊图像
# img = imread('1.jpg')
# img_blur = cv2.GaussianBlur(img, (15, 15), 0)
# cv2.imshow('img_blur', img_blur)
# cv2.waitKey(0)
# 利用Sobel算子计算图像在x,y方向的一阶导(梯度)
gx_blur = cv2.Sobel(img_blur, cv2.CV_32F, 1, 0, ksize=1)
gy_blur = cv2.Sobel(img_blur, cv2.CV_32F, 0, 1, ksize=1)
# cv2.cartToPolar计算二维向量(x,y)的幅度梯度
mag_blur, angle_blur = cv2.cartToPolar(gx_blur, gy_blur, angleInDegrees=True)
bins = np.arange(256) # np.histogram的默认bins值为10
hist_blur_mag, bins = np.histogram(mag_blur, bins)
hist_blur_angle, bins = np.histogram(angle_blur, bins)
width = 0.7 * (bins[1] - bins[0])
center = (bins[:-1] + bins[1:]) / 2
# 绘制梯度直方图
plt.title('blur_mag')
plt.bar(center, hist_blur_mag, align='center', width=width)
plt.show()
运行结果
1)输入晴天原始图像
添加高斯模糊后的图像
2)输入雾天图像
通过观察实验结果,可以明显看出雾天图像和晴天图像的边缘梯度分布存在较大差异。利用cv2.Canny() 可以利用Canny算子进行边缘检测。