图像基本处理——Sobel，Scharr，Laplacian算子

最新推荐文章于 2024-06-15 18:03:12 发布

HarrietLH

最新推荐文章于 2024-06-15 18:03:12 发布

阅读量2k

点赞数 1

分类专栏： opencv图像处理文章标签： opencv

本文链接：https://blog.csdn.net/qq_43279579/article/details/120785076

版权

opencv图像处理专栏收录该内容

7 篇文章 4 订阅

订阅专栏

文章目录

一、Sobel算子
- （一）Sobel算子原理及数学表达
- （二）Sobel算子的实现过程
二、Scharr算子
- （一）Scharr算子的原理和数学表达
- （二）Scharr算子的实现
三、Laplacian算子
- （一） Laplacian算子原理及数学表达
- （二） Laplacian算子实现过程
四、三种算子的对比

一、Sobel算子

（一）Sobel算子原理及数学表达

Soble算子概念及原理
Sobel算子是一种常用于边缘检测的方式，图像每个像素点的邻近像素点对其影响不同，从而邻近像素点的权重不相同。Sobel算子的原理是对传进来的图像像素做卷积，卷积的实质是在求梯度值（加权平均），其中权值就是所谓的卷积核；然后对生成的新像素灰度值做阈值运算，以此来确定边缘信息。
卷积核
Sobel算子是把图像中每个像素的上下左右四领域的灰度值加权差，在边缘处达到极值从而检测边缘。
举例3维的卷积核
Gx表示横向做卷积，Gy表示纵向做卷积。
$\begin{bmatrix} -1 & 0 & 1 \\ -2 & 0 & 2 \\ -1 & 0 & 1 \\ \end{bmatrix}*A \quad and \quad Gy= \begin{bmatrix} -1 & -2 & -1 \\ 0 & 0 & 0 \\ 1 & 2 & 1 \\ \end{bmatrix}*A$

实际上Sobel算子进行边缘检测上是做了两个方向的卷积，所以最终卷积结果如下
$G=\sqrt{G_x^{2}+G_y^{x}}$

（二）Sobel算子的实现过程

opencv实现Sobel算子函数

def Sobel(src: Any,
          ddepth: Any,
          dx: Any,
          dy: Any,
          dst: Any = None,
          ksize: Any = None,
          scale: Any = None,
          delta: Any = None,
          borderType: Any = None)

部分参数说明

src：原始图像对象
ddepth：图像深度，通常使用-1，表示与原始图像深度保持一致
dx：表示x方向的梯度（导数）
dy：表示y方向的梯度（导数）

对比x，y方向

import cv2
import numpy as np

def showImg(img, name):
    cv2.imshow(name, img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

circle = cv2.imread("circle.png")
showImg(circle, "circle")
sobel_x = cv2.Sobel(circle, cv2.CV_64F, 1, 0, ksize=3)
sobel_y = cv2.Sobel(circle, cv2.CV_64F, 0, 1, ksize=3)
sobel_x_y = np.hstack((sobel_x, sobel_y))
# 显示结果
showImg(sobel_x_y, 'circleXY')

原始图像
在这里插入图片描述
检测结果

通过检测结果可以发现无论是在水平还是垂直方向上，都存在只检测出一半的情况。产生此种原因是由于后面边缘像素点在做卷积后得到的结果为负数，然而像素点的值是0~255之间，所以，所有负数部分都全部变为了0。
解决只检测一半的方式

#在显示之前添加如下代码，对得到结果进行一个取绝对值操作
sobel_x = cv2.convertScaleAbs(sobel_x)
sobel_y = cv2.convertScaleAbs(sobel_y)

在这里插入图片描述
对于取绝对值后的结果，会发现水平方向会在垂直方向上存在一些断点，垂直方向同理。出现此种原因是由于只做了某个方向的梯度计算。
直接计算两个方向的梯度

sobel_xy = cv2.Sobel(circle, cv2.CV_64F, 1, 1, ksize=3)
sobel_xy = cv2.convertScaleAbs(sobel_xy)
showImg(sobel_xy, 'circleX')

在这里插入图片描述
分别求解两个方向的梯度后，进行加权平均值

sobel_x = cv2.Sobel(circle, cv2.CV_64F, 1, 0, ksize=3)
sobel_y = cv2.Sobel(circle, cv2.CV_64F, 0, 1, ksize=3)
sobel_x = cv2.convertScaleAbs(sobel_x)
sobel_y = cv2.convertScaleAbs(sobel_y)
sobel_x_y = cv2.addWeighted(sobel_x, 0.5, sobel_y, 0.5, 0)
# 显示结果
showImg(sobel_x_y, 'circleXY')

在这里插入图片描述
两种方式的结果对比可以发现，第一种方式在水平和垂直方向上都出现断点的情况，而第二种方式就比较好的解决断点的情况。

二、Scharr算子

（一）Scharr算子的原理和数学表达

Scharr算子的原理概念
Scharr算子实现原理跟Sobel算子基本上是一致的，都是通过对上下左右四领域的灰度值加权差。两种区别在于后者设定的权重相对更大。
卷积核
采用3维
Gx表示横向做卷积，Gy表示纵向做卷积。
$\begin{bmatrix} -3 & 0 & 3 \\ -10 & 0 & 10 \\ -3 & 0 & 3 \\ \end{bmatrix}*A \quad and \quad Gy= \begin{bmatrix} -3 & -10 & -3 \\ 0 & 0 & 0 \\ 3 & 10 & 3 \\ \end{bmatrix}*A$
最终结果也是通过分别求解取绝对值后，求解加权平均值。

（二）Scharr算子的实现

opencv实现Scharr算子函数

def Scharr(src: Any,
           ddepth: Any,
           dx: Any,
           dy: Any,
           dst: Any = None,
           scale: Any = None,
           delta: Any = None,
           borderType: Any = None)

其参数具体含义同Sobel算子。

实际举例
由于Scharr算子跟Sobel类似，所以就不过多分析。

scharr_x = cv2.Scharr(circle, cv2.CV_64F, 1, 0)
scharr_y = cv2.Scharr(circle, cv2.CV_64F, 0, 1)
scharr_x = cv2.convertScaleAbs(scharr_x)
scharr_y = cv2.convertScaleAbs(scharr_y)
scharr_x_y = cv2.addWeighted(scharr_x, 0.5, scharr_y, 0.5, 0)
showImg(scharr_x_y, 'scharr')

三、Laplacian算子

（一） Laplacian算子原理及数学表达

Laplacian算子概念及原理
Laplacian算子是一个二阶算子，它是通过在水平方向运算两次，垂直方向运算两次，两个结果相叠加替换中心点（锚点）的像素值（灰度值），跟上面两种算子有着本质上的区别，也可以将该算子类似的看出二阶的Sobel算子。
卷积核
3维卷积核
$\begin{bmatrix} 0 & 1 & 0 \\ 1 & -4 & 1 \\ 0 & 1 & 0 \\ \end{bmatrix}*A$

（二） Laplacian算子实现过程

opencv实现Laplacian算子函数

def Laplacian(src: Any,
              ddepth: Any,
              dst: Any = None,
              ksize: Any = None,
              scale: Any = None,
              delta: Any = None,
              borderType: Any = None)

其参数含义跟上面一致。

实际举例

laplacian = cv2.Laplacian(circle, cv2.CV_64F, ksize=3)
laplacian = cv2.convertScaleAbs(laplacian)
showImg(laplacian, 'laplacian')

在这里插入图片描述

四、三种算子的对比

对比过程

lena = cv2.imread("C:/Users/Administrator/Downloads/Lena1.png", cv2.IMREAD_GRAYSCALE)
# Sobel算子
sobel_x = cv2.Sobel(lena, cv2.CV_64F, 1, 0, ksize=3)
sobel_y = cv2.Sobel(lena, cv2.CV_64F, 0, 1, ksize=3)
sobel_x = cv2.convertScaleAbs(sobel_x)
sobel_y = cv2.convertScaleAbs(sobel_y)
sobel_x_y = cv2.addWeighted(sobel_x, 0.5, sobel_y, 0.5, 0)
# Scharr算子
scharr_x = cv2.Scharr(lena, cv2.CV_64F, 1, 0)
scharr_y = cv2.Scharr(lena, cv2.CV_64F, 0, 1)
scharr_x = cv2.convertScaleAbs(scharr_x)
scharr_y = cv2.convertScaleAbs(scharr_y)
scharr_x_y = cv2.addWeighted(scharr_x, 0.5, scharr_y, 0.5, 0)
# Laplacian算子
laplacian = cv2.Laplacian(lena, cv2.CV_64F, ksize=3)
laplacian = cv2.convertScaleAbs(laplacian)
plt.subplot(221), plt.imshow(lena, 'gray'), plt.title('ORIGINAL')
plt.xticks([]), plt.yticks([])
plt.subplot(222), plt.imshow(sobel_x_y, 'gray'), plt.title('Sobel')
plt.xticks([]), plt.yticks([])
plt.subplot(223), plt.imshow(scharr_x_y, 'gray'), plt.title('Scharr')
plt.xticks([]), plt.yticks([])
plt.subplot(224), plt.imshow(laplacian, 'gray'), plt.title('Laplacian')
plt.xticks([]), plt.yticks([])
plt.show()