图像梯度（opencv 图像梯度）

图像梯度（opencv 图像梯度）

import cv2 as cvimport numpy as np# 图像梯度（由x,y方向上的偏导数和偏移构成），有一阶导数（sobel算子）和二阶导数（Laplace算子）# 用于求解图像边缘，一阶的极大值，二阶的零点# 一阶偏导在图像中为一阶差分(2个相邻像素之间的差值)，再变成算子（即权值）与图像像素值乘积相加，二阶同理# 即通过不同的算子/卷积核来实现求偏导def sobel_demo(image): # (src, ddepth, dx, dy) # grad_x = cv.Scharr(image, cv.CV_32F, 1, 0) grad_x = cv.Sobel(image, cv.CV_32F, 1, 0) # 采用Scharr边缘更突出 grad_y = cv.Sobel(image, cv.CV_32F, 0, 1) gradx = cv.convertScaleAbs(grad_x) # 由于算完的图像有正有负，所以对其取绝对值 grady = cv.convertScaleAbs(grad_y) # 计算两个图像的权值和，dst = src1*alpha + src2*beta + gamma # (src1, alpha, src2, beta, gamma) gradxy = cv.addWeighted(gradx, 0.5, grady, 0.5, 0) cv.imshow("gradx", gradx) cv.imshow("grady", grady) cv.imshow("gradient", gradxy)def laplace_demo(image): dst = cv.Laplacian(image, cv.CV_32F) # 二阶导数,边缘更细 lpls = cv.convertScaleAbs(dst) cv.imshow("laplace_demo", lpls)def custom_laplace(image): # 以下算子与上面的Laplace_demo()是一样的，增强采用np.array([[1, 1, 1], [1, -8, 1], [1, 1, 1]]) kernel = np.array([[1, 1, 1], [1, -8, 1], [1, 1, 1]]) # 使用自定义内核对图像进行卷积(src, ddepth, kernel) dst = cv.filter2D(image, cv.CV_32F, kernel=kernel) lpls = cv.convertScaleAbs(dst) cv.imshow("custom_laplace", lpls)def main(): src = cv.imread("./images/lena.jpg") cv.imshow("lena", src) sobel_demo(src) laplace_demo(src) custom_laplace(src) cv.waitKey(0) cv.destroyAllWindows()if __name__ == '__main__': main()

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。