一、Sobel算子:下减上, 右减左
语法:
dst = cv.Sobel(img, ddepth=, dx=, dy=, ksize=)
# ddepth:图像深度
# dx,dy分别表示水平和垂直方向
# ksize是算子的大小
获取图像:
path = r'F:\Python_study\python_image\opencv\image\pie.png'
img = cv.imread(path,cv.IMREAD_GRAYSCALE)
定义一个展示函数
def cv_show(img, name):
cv.imshow(name, img)
cv.waitKey(0)
cv.destroyAllWindows()
比如,原始图像:
使用X方向的计算结果:
dst_sobel_x = cv.Sobel(img, cv.CV_64F, 1,0, ksize=3)
原因解释:
为避免截断,使用绝对值方法
dst_sobel_x = cv.convertScaleAbs(dst_sobel_x)
得到结果如下:
# 权重相加
sobel_xy = cv.addWeighted(dst_sobel_x,0.5, dst_sobel_y, 0.5, 0)
cv_show(sobel_xy, ‘dst_sobel’)
二、Scharr算子
# Scharr算子-对结果更敏感
dst_scharr_X = cv.Scharr(img, cv.CV_64F, 1, 0)
dst_scharr_Y = cv.Scharr(img, cv.CV_64F, 1, 0)
dst_scharr_X = cv.convertScaleAbs(dst_scharr_X)
dst_scharr_Y = cv.convertScaleAbs(dst_scharr_Y)
dst_scharr = cv.addWeighted(dst_scharr_X, 0.5, dst_scharr_Y, 0.5, 0)
三、拉普拉斯算子
# 拉普拉斯算子-所有值相加等于0-对噪声敏感
# 拉普拉斯算子-所有值相加等于0-对噪声敏感
dst_laplacian = cv.Laplacian(img,cv.CV_64F)
laplacian = cv.convertScaleAbs(dst_laplacian)
为对比三种之间的区别,使用lena进行比对:
原来的lena:
res = np.hstack((sobel_xy, dst_scharr, laplacian))
cv_show(res, 'res')