学习以下内容:
• 图像梯度,图像边界等
• 使用到的函数有:cv2.Sobel(),cv2.Schar(),cv2.Laplacian() 等
OpenCV 提供了三种不同的梯度滤波器,或者说高通滤波器:Sobel,Scharr 和Laplacian。我们会意义介绍他们。Sobel,Scharr 其实就是求一阶或二阶导数。Scharr 是对Sobel(使用小的卷积核求解求解梯度角度时)的优化。Laplacian 是求二阶导数 。对于图像一阶导数最大的是边缘(Sobel),对于二阶导数为0的是边缘(Laplacian )。
Sobel 算子是高斯平滑与微分操作的结合体,所以它的抗噪声能力很好。你可以设定求导的方向(xorder 或yorder)。还可以设定使用的卷积核的大小(ksize)。如果ksize=-1,会使用3x3 的Scharr 滤波器,它的的效果要比3x3 的Sobel 滤波器好(而且速度相同,所以在使用3x3 滤波器时应该尽量使用Scharr 滤波器)。3x3 的Scharr 滤波器卷积核如下:
拉普拉斯算子可以使用二阶导数的形式定义,可假设其离散实现类似于二阶Sobel 导数,事实上,OpenCV 在计算拉普拉斯算子时直接调用Sobel 算子。
2.OpenCV的convertScaleAbs函数使用线性变换转换输入数组元素成8位无符号整型。函数原型:convertScaleAbs(src[, dst[, alpha[, beta]]]) -> dst
该方法做了三件事 1.scaling 2.取绝对值 3. 映射到uint8
src参数表示原数组。
dst参数表示输出数组 (深度为 8u)。
alpha参数表示比例因子。
beta参数表示原数组元素按比例缩放后添加的值。
验证:
import cv2
def ScalAbs(img):
# 第二个参数没有用,而且只有第二个 参数输入时,第三个参数(表示比例因子)才有效
ScaleAbs_img = cv2.convertScaleAbs(img,1,0.5)
cv2.imshow("img",img)
cv2.imshow("ScaleAbs_img", ScaleAbs_img)
img=cv2.imread('1.jpg',0)
ScalAbs(img)
cv2.waitKey()
3.OpenCV的addWeighted函数是计算两个数组的加权和。函数原型:addWeighted(src1, alpha, src2, beta, gamma[, dst[, dtype]]) -> dst
src1参数表示需要加权的第一个输入数组。
alpha参数表示第一个数组的权重。
src2参数表示第二个输入数组,它和第一个数组拥有相同的尺寸和通道数。
beta参数表示第二个数组的权重。
gamma参数表示一个加到权重总和上的标量值。
dst参数表示输出的数组,它和输入的两个数组拥有相同的尺寸和通道数。
dtype参数表示输出数组的可选深度。当两个输入数组具有相同的深度时,这个参数设置为-1(默认值),即等同于src1.depth()
实例:
import cv2
from matplotlib import pyplot as plt
img=cv2.imread('drawing.png',0)
#cv2.CV_64F 输出图像的深度(数据类型),可以使用-1, 与原图像保持一致np.uint8
laplacian=cv2.Laplacian(img,cv2.CV_64F)
# 参数1,0 为只在x 方向求一阶导数,最大可以求2 阶导数。
sobelx=cv2.Sobel(img,cv2.CV_64F,1,0,ksize=5)
# 参数0,1 为只在y 方向求一阶导数,最大可以求2 阶导数。
sobely=cv2.Sobel(img,cv2.CV_64F,0,1,ksize=5)
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()
当我们可以通过参数-1 来设定输出图像的深度(数据类型)与原图像保持一致,但是我们在代码中使用的却是cv2.CV_64F。这是为什么呢?想象一下一个从黑到白的边界的导数是整数,而一个从白到黑的边界点导数却是负数。如果原图像的深度是np.int8 时,所有的负值都会被截断变成0,换句话说就是把把边界丢失掉。所以如果这两种边界你都想检测到, 最好的的办法就是将输出的数据类型设置的更高,比如cv2.CV_16S,cv2.CV_64F 等。取绝对值然后再把它转回到cv2.CV_8U。
import cv2
import numpy as np
from matplotlib import pyplot as plt
img=cv2.imread('drawing.png',0)
# Output dtype = cv2.CV_8U
sobelx8u = cv2.Sobel(img,cv2.CV_8U,1,0,ksize=5)
# 也可以将参数设为-1
#sobelx8u = cv2.Sobel(img,-1,1,0,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(2,3,1),plt.imshow(img,cmap = 'gray')
plt.title('Original'), plt.xticks([]), plt.yticks([])
plt.subplot(2,3,2),plt.imshow(sobelx8u,cmap = 'gray')
plt.title('sobelx8u'), plt.xticks([]), plt.yticks([])
plt.subplot(2,3,3),plt.imshow(sobel_8u,cmap = 'gray')
plt.title('sobel_8u'), plt.xticks([]), plt.yticks([])
plt.subplot(2,3,4),plt.imshow(sobelx64f,cmap = 'gray')
plt.title('sobelx64f'), plt.xticks([]), plt.yticks([])
plt.subplot(2,3,5),plt.imshow(abs_sobel64f,cmap = 'gray')
plt.title('Sobel abs(CV_64F)'), plt.xticks([]), plt.yticks([])
plt.show()
拉普拉斯算子:
import cv2
import numpy as np
def lapalian(img):
dst = cv2.Laplacian(img,cv2.CV_32F)
lpls = cv2.convertScaleAbs(dst) # 该操作可实现图像增强等相关操作的快速运算
kernel1 = np.array([[0,1,0],[1,-4,1],[0,1,0]])
kernel2 = np.array([[1, 1, 1], [1, -8, 1], [1, 1, 1]])
dst1 = cv2.filter2D(img,cv2.CV_32F,kernel=kernel1)
dst2 = cv2.filter2D(img, cv2.CV_32F, kernel=kernel2)
lpls1 = cv2.convertScaleAbs(dst1)
lpls2 = cv2.convertScaleAbs(dst2)
cv2.imshow(“img”,img)
cv2.imshow(“dst”,dst)
cv2.imshow(“lpls”,lpls)
cv2.imshow(“lpls1”,lpls1)
cv2.imshow(“lpls2”, lpls2)
img=cv2.imread(‘5.jpg’,1)
lapalian(img)
cv2.waitKey()