总述
me:梯度:从效果上看有种在描图片框架的感觉
以下为原图 lena以及求完梯度后的效果
Sobel算子
Gx左右两个方向的差异;Gy上下两个方向的差异
总和一般为G=Gx^2+Gy^2或者G=|Cx|+|Gy|
假设A=[[x11,x12,x13],[x21,x22,x23],[x31,x32,x33]]]
Gx求的是中心点x22水平方向上的差异
Gx=(x13-x11)+2(x23-x21)+(x33-x31)
认为x21与x23离所求点x22最近,所以权重值给了2
x11,x13,x31,x33离所求点比较远,所以权重值给了1
思想类似于高斯滤波
注意是右边-左边
#先读取一张图片
img = cv2.imread('pie.png',cv2.IMREAD_GRAYSCALE)
cv2.imshow("img",img)
cv2.waitKey()
cv2.destroyAllWindows()
#显示图片定义成一个函数
def cv_show(img,name):
cv2.imshow(name,img)
cv2.waitKey()
cv2.destroyAllWindows()
dst = cv2.Sobel(src, ddepth, dx, dy, ksize)
- ddepth:图像的深度 一遍为-1,表示输出深度和输入深度一模一样的
- dx和dy分别表示水平和竖直方向
- ksize是Sobel算子的大小
白到黑是正数,黑到白就是负数了,做运算时,opencv会将所有的负数会被截断成0,所以要取绝对值
取绝对值是因为我们想看成差异有多大
cv2.CV_64F:使位数更多,能将负数的形式表示 这里dx=1,dy=0是只希望算水平方向
sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
# opencv会将所有的负数会被截断成0,所以只看到左边的轮廓
# 右边的轮廓为黑-白,得负数了,所以自己取0了
# 里面的白-白=0,所以成黑色了
cv_show(sobelx,'sobelx')
sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
# 负数加上绝对值变成一个值
sobelx = cv2.convertScaleAbs(sobelx)
cv_show(sobelx,'sobelx')
sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)
sobely = cv2.convertScaleAbs(sobely)
cv_show(sobely,'sobely')
建议分别计算x和y,再求和
一般偏置项为0
sobelxy = cv2.addWeighted(sobelx,0.5,sobely,0.5,0)
cv_show(sobelxy,'sobelxy')
不建议直接计算,会有重影
sobelxy=cv2.Sobel(img,cv2.CV_64F,1,1,ksize=3)
sobelxy = cv2.convertScaleAbs(sobelxy)
cv_show(sobelxy,'sobelxy')
对图片lena(文章一开始给出的图片)求梯度
img = cv2.imread('lena.jpg',cv2.IMREAD_GRAYSCALE)
sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
sobelx = cv2.convertScaleAbs(sobelx)
sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)
sobely = cv2.convertScaleAbs(sobely)
sobelxy = cv2.addWeighted(sobelx,0.5,sobely,0.5,0)
cv_show(sobelxy,'sobelxy')
Scharr算子 (相当于放大边界的差异)
laplacian算子(对噪音点敏感)
中间点与周围的点进行比较,如果是边界点,则出现的浮动应该比较大
从G中可以看出来,本身已经考虑了四周的点,无需分Gx与Gy
Laplacian效果不是很好,一遍跟其他工具一起使用
不同算子的差异
#不同算子的差异
img = cv2.imread('lena.jpg',cv2.IMREAD_GRAYSCALE)
sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)
sobelx = cv2.convertScaleAbs(sobelx)
sobely = cv2.convertScaleAbs(sobely)
sobelxy = cv2.addWeighted(sobelx,0.5,sobely,0.5,0)
#关注的线条更丰富了,捕捉到更多线条的信息,即Scharr算子更敏感
scharrx = cv2.Scharr(img,cv2.CV_64F,1,0)
scharry = cv2.Scharr(img,cv2.CV_64F,0,1)
scharrx = cv2.convertScaleAbs(scharrx)
scharry = cv2.convertScaleAbs(scharry)
scharrxy = cv2.addWeighted(scharrx,0.5,scharry,0.5,0)
#Laplacian效果不是很好,一遍跟其他工具一起使用
laplacian = cv2.Laplacian(img,cv2.CV_64F)
#负值转换成绝对值
laplacian = cv2.convertScaleAbs(laplacian)
res = np.hstack((sobelxy,scharrxy,laplacian))
cv_show(res,'compare')