python图像边缘opencv_opencv学习笔记 python实现 图像梯度与图像边缘

图像梯度即求导数，导数能反映出图像变化最大的地方，图像变化最大的地方也就是图像的边缘。

详细见代码注释,通俗易懂sobel算子与scharr算子

在sobel算子不能明显反映图像边缘时就换用scharr算子

import cv2 as cv

def sobel_image(img):

grad_x = cv.Sobel(img, cv.CV_32F, 1, 0)#x方向一阶导数

#图像 图像深度，支持src.depth()和ddepth的组合 x方向上差分阶数 y方向差分阶数

grad_y = cv.Sobel(img, cv.CV_32F, 0, 1)#y方向一阶导数

#print(grad_x)

gradx = cv.convertScaleAbs(grad_x)#可通过print查看区别

#线性输入数组转化为无符号（绝对值）8为整形

#print(gradx)

grady = cv.convertScaleAbs(grad_y)

cv.imshow("x", gradx)

cv.imshow("y", grady)

gradxy = cv.addWeighted(grad_x, 0.5, grad_y, 0.5, 0)#将两幅图像整合

#第一个数组 第一个数组的权重 第二个数组 第二个数组的权重 gamma

#dst = src1[I]*alpha+ src2[I]*beta + gamma;输出图像式子

cv.imshow("x&&y", gradxy)

img = cv.imread("d://work//1.jpg")

sobel_image(img)

cv.waitKey(0)

cv.destroyAllWindows()

sobel到scharr改变求导方式即可def scharr_image(image):

grad_x = cv.Scharr(image, cv.CV_32F, 1, 0)

grad_y = cv.Scharr(image, cv.CV_32F, 0, 1)

gradx = cv.convertScaleAbs(grad_x)

grady = cv.convertScaleAbs(grad_y)

cv.imshow("x", grad_x)

cv.imshow("y", grad_y)

gradxy = cv.addWeighted(gradx, 0.5, grady, 0.5, 0)

cv.imshow("x&y_s", gradxy)

相比sobel算子把变化描述地更明显

再介绍一种lpls算子

lpls 算子有四领域和8领域的，内置函数默认是四领域def lpls_image(image):

dst = cv.Laplacian(image, cv.CV_32F)

lpls = cv.convertScaleAbs(dst)

cv.imshow("lpls", lpls)def lpls_image(image):

#dst = cv.Laplacian(image, cv.CV_32F)

#lpls = cv.convertScaleAbs(dst)

dst = np.array([[1, 1, 1], [1, -8, 1], [1, 1, 1]])

lpls = cv.filter2D(image, cv.CV_32F, dst)

lpls = cv.convertScaleAbs(lpls)

cv.imshow("lpls", lpls)

左边为4领域 ，右边为8领域suan算子

总代码：import cv2 as cv

import numpy as np

#索贝尔算子

def sobel_image(img):

grad_x = cv.Sobel(img, cv.CV_32F, 1, 0)#x方向一阶导数

#图像 图像深度，支持src.depth()和ddepth的组合 x方向上差分阶数 y方向差分阶数

grad_y = cv.Sobel(img, cv.CV_32F, 0, 1)#y方向一阶导数

#print(grad_x)

gradx = cv.convertScaleAbs(grad_x)#可通过print查看区别

#线性输入数组转化为无符号（绝对值）8为整形

#print(gradx)

grady = cv.convertScaleAbs(grad_y)

cv.imshow("x", gradx)

cv.imshow("y", grady)

gradxy = cv.addWeighted(grad_x, 0.5, grad_y, 0.5, 0)#将两幅图像整合

#第一个数组 第一个数组的权重 第二个数组 第二个数组的权重 gamma

#dst = src1[I]*alpha+ src2[I]*beta + gamma;输出图像式子

cv.imshow("x&&y", gradxy)

def scharr_image(image):

grad_x = cv.Scharr(image, cv.CV_32F, 1, 0)

grad_y = cv.Scharr(image, cv.CV_32F, 0, 1)

gradx = cv.convertScaleAbs(grad_x)

grady = cv.convertScaleAbs(grad_y)

cv.imshow("x", grad_x)

cv.imshow("y", grad_y)

gradxy = cv.addWeighted(gradx, 0.5, grady, 0.5, 0)

cv.imshow("x&y_s", gradxy)

#拉普拉斯 内置4领域 和手动8领域写法

def lpls_image(image):

dst = cv.Laplacian(image, cv.CV_32F)

lpls = cv.convertScaleAbs(dst)

#dst = np.array([[1, 1, 1], [1, -8, 1], [1, 1, 1]])

#lpls = cv.filter2D(image, cv.CV_32F, dst)

#lpls = cv.convertScaleAbs(lpls)

cv.imshow("lpls", lpls)

img = cv.imread("d://work//1.jpg")

lpls_image(img)

cv.waitKey(0)

cv.destroyAllWindows()