内容来自OpenCV-Python Tutorials 自己翻译整理
目标:
图像梯度、边界
函数cv2.Sobel(),cv2.Schar(),cv2.Laplacian()
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。
Sobel 和 Scharr 导数
Sobel算子是结合了高斯平滑与微分运算的结合方法,所以它的抗噪声能力很强。用户可以设定求导方向,水平或者垂直(通过参数yorder和xorder)。也可以指定卷积核大小,通过参数ksize。如果ksize=-1,那么一个3*3的scharr滤波器会被使用,该滤波器会得到比Sobel滤波器更好的效果。
Laplacian 导数
该方法计算了图像的拉普拉斯导数,公式如下
每个求导数的方法都是使用Sobel求导方法。如果ksize=1,那么会使用下面核函数进行滤波
代码
使用三种滤波器对同一个图像进行操作,卷积核大小5*5
import cv2
import numpy as np
from matplotlib import pyplot as plt
img=cv2.imread('3.jpg',0)
laplacian=cv2.Laplacian(img,cv2.CV_64F)#CV_64F为图像深度
sobelx=cv2.Sobel(img,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(img,cv2.CV_64F,0,1,ksize=5)#0,1参数表示在y方向求一阶导数
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()
说个大事!
最后一个例子的输出数据类型是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。
下面的例子演示了一个垂直Sobel滤波器的不同结果。
import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('10.jpg',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.subplot(1,3,1),plt.imshow(img,cmap = 'gray')
plt.title('Original'), plt.xticks([]), plt.yticks([])
plt.subplot(1,3,2),plt.imshow(sobelx8u,cmap = 'gray')
plt.title('Sobel CV_8U'), plt.xticks([]), plt.yticks([])
plt.subplot(1,3,3),plt.imshow(sobel_8u,cmap = 'gray')
plt.title('Sobel abs(CV_64F)'), plt.xticks([]), plt.yticks([])
plt.show()