python opencv 边缘检测与抠图_3. OpenCV-Python——图像梯度算法、边缘检测、图像金字塔与轮廓检测与傅里叶变换...

一、图像梯度算法

1、图像梯度-Sobel算子

dst = cv2.Sobel(src, ddepth, dx, dy, ksize)

ddepth:图像的深度

dx和dy分别表示水平和竖直方向

ksize是Sobel算子的大小

1 #*******************图像梯度算法**********************开始

2 importcv23 #import numpy as np

4

5 img = cv2.imread('pie.png',cv2.IMREAD_GRAYSCALE)6 cv2.imshow("img",img)7 cv2.waitKey()8 cv2.destroyAllWindows()9

10 #显示图像函数

11 defcv_show(img,name):12 cv2.imshow(name,img)13 cv2.waitKey()14 cv2.destroyAllWindows()15

16 #Sobel算子——x轴

17 sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3) #计算水平的

18 cv_show(sobelx,'sobelx')19

20 #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

21 sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)22 sobelx = cv2.convertScaleAbs(sobelx) #取绝对值

23 cv_show(sobelx,'sobelx')24

25 #Sobel算子——y轴

26 sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)27 sobely = cv2.convertScaleAbs(sobely) #取绝对值

28 cv_show(sobely,'sobely')29

30 #求和

31 sobelxy = cv2.addWeighted(sobelx,0.5,sobely,0.5,0) #按权重计算

32 cv_show(sobelxy,'sobelxy')33

34 #也有直接计算xy轴的————不推荐使用

35 #sobelxy=cv2.Sobel(img,cv2.CV_64F,1,1,ksize=3)

36 #sobelxy = cv2.convertScaleAbs(sobelxy)

37 #cv_show(sobelxy,'sobelxy')

38 #*******************图像梯度算法**********************结束

用lena图像来实际操作一下:

1 #*******************图像梯度算法-实际操作**********************开始

2 importcv23

4 #显示图像函数

5 defcv_show(img,name):6 cv2.imshow(name,img)7 cv2.waitKey()8 cv2.destroyAllWindows()9

10 img = cv2.imread('lena.jpg',cv2.IMREAD_GRAYSCALE)11 cv_show(img,'img')12

13 #分别计算x和y

14 img = cv2.imread('lena.jpg',cv2.IMREAD_GRAYSCALE)15 sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)16 sobelx =cv2.convertScaleAbs(sobelx)17 sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)18 sobely =cv2.convertScaleAbs(sobely)19 sobelxy = cv2.addWeighted(sobelx,0.5,sobely,0.5,0)20 cv_show(sobelxy,'sobelxy')21 #*******************图像梯度算法-实际操作**********************结束

      

2、图像梯度-Scharr和Laplacian算子

(1)Scharr算子

(2)Laplacian算子

(3)不同算子之间的差距

1 #*******************图像梯度算子-Scharr+laplacian**********************开始

2 importcv23 importnumpy as np4

5 #不同算子的差异

6 img = cv2.imread('lena.jpg',cv2.IMREAD_GRAYSCALE)7 sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)8 sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)9

  • 0
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: Python OpenCV可以使用多种方法进行矩形检测,其中最常用的方法是使用轮廓检测。具体步骤如下: 1. 读取图像并将其转换为灰度图像。 2. 对图像进行二值化处理,使得矩形区域变为白色,背景变为黑色。 3. 使用findContours函数查找图像中的轮廓。 4. 对每个轮廓进行逐一处理,使用approxPolyDP函数将其近似为一个多边形。 5. 判断多边形是否为矩形,如果是则将其绘制出来。 需要注意的是,矩形检测的精度和效率都受到图像质量和算法参数的影响,因此需要根据具体情况进行调整。 ### 回答2: Python OpenCV 是一种常用的计算机视觉库,它可以用于图像处理、计算机视觉、机器学习等领域。其中,矩形检测是 OpenCV 库中的一个重要功能,它能够在输入图像中自动检测出所有的矩形,并给出矩形的顶点坐标,以便后续处理。 在 Python OpenCV 中进行矩形检测,需要使用 cv2.rectangle() 函数。该函数的语法格式如下: cv2.rectangle(img, pt1, pt2, color, thickness) 其中,img 表示输入图像,pt1 和 pt2 表示矩形的对角顶点坐标(pt1 为左上角,pt2 为右下角),color 表示矩形线条颜色,可以用 RGB 值表示,thickness 表示矩形线条宽度。例如,下面的代码可以在输入图像中绘制一个红色的矩形: import cv2 img = cv2.imread('test.jpg') pt1 = (100, 100) pt2 = (200, 200) color = (0, 0, 255) thickness = 2 cv2.rectangle(img, pt1, pt2, color, thickness) cv2.imshow('image', img) cv2.waitKey(0) 此外,Python OpenCV 还提供了一些用于矩形检测的函数,例如 cv2.findContours()、cv2.boundingRect() 等函数,这些函数能够检测出输入图像中的所有轮廓,并根据轮廓的形状、大小等信息,计算出能够包含轮廓的最小矩形。这些最小矩形也可以用 cv2.rectangle() 函数绘制出来,从而实现矩形检测的功能。 总之,Python OpenCV 提供了多种方法实现矩形检测,开发者可以根据自己的需求和场景选择合适的方法。在使用过程中,需要注意输入图像的质量和清晰度,以及矩形检测的精度和效率等问题,这些因素都会影响矩形检测的效果和性能。 ### 回答3: 矩形检测是图像处理领域的一项重要技术,主要用于在图像中自动或半自动地识别出矩形,并对其进行分类、统计等处理。而PythonOpenCV是这个领域中应用最广泛和效果最好的两种工具,下面就介绍一下Python Opencv矩形检测的实现方法。 矩形检测的基本原理是在图像中找到边缘,并将其转化为矩形。这个过程涉及到一系列图像处理操作,包括边缘检测、二值化、形态学变换、轮廓检测、过滤、排序等。 首先,需要将图像转换为灰度图像或二值图像,以便于后续的处理操作。这可以通过使用OpenCV中的cv2.cvtColor()函数和cv2.threshold()函数来实现。 然后,使用形态学变换操作,如膨胀、腐蚀、开运算和闭运算等,来去除噪声和平滑图像。这可以使用OpenCV中的cv2.morphologyEx()函数等函数来实现。 之后,使用边缘检测算法,如Canny算法或Sobel算法等,来提取图像中的边缘信息。这可以使用OpenCV中的cv2.Canny()函数或cv2.Sobel()函数等函数来实现。 接下来,使用轮廓检测算法,如cv2.findContours()函数来检测图像中的轮廓,并通过外接矩形求解矩形信息。在求解矩形信息时,可以通过使用cv2.boundingRect()函数来获取矩形的位置和大小。 最后,可以使用过滤和排序算法来筛选和排序检测出的所有矩形。可以通过计算矩形面积、宽高比、方向等特征来进行筛选和排序,也可以通过使用cv2.contourArea()函数、cv2.minAreaRect()函数等函数来实现。 综上所述,Python Opencv矩形检测是一项非常实用的图像处理技术,可以应用于识别和分类图像中的矩形,并广泛应用于计算机视觉、目标识别、自动驾驶等领域。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值