图像梯度运算-Sobel算子

怎甘沉沦 提交于 2020-01-23 20:30:42

1.cv2.Sobel(src, ddepth, dx, dy, ksize) 进行sobel算子计算

参数说明:src表示当前图片,ddepth表示图片深度,这里使用cv2.CV_64F使得结果可以是负值, dx表示x轴方向,dy表示y轴方向, ksize表示移动方框的大小

2.cv2.convertScalerAbs(src) 将像素点进行绝对值计算

参数说明: src表示当前图片

sobel算子:分为x轴方向和y轴方向上的,x轴方向上的算子如图中的Gx,将sober算子在图中进行平移,当前位置的像素值等于sobel算子与(当前位置与周边位置8个点)进行对应位置相乘并相加操作,作为当前位置的像素点,y轴方向的算子如Gy, 对于x轴方向上,即左右两边的比较,

计算方程为:x轴: p3 - p1 + 2 * p6 - 2 * p4 + p9 - p7, 右边的像素值减去左边的像素值
在这里插入图片描述
代码:

第一步:载入原始图片

第二步:使用cv2.Sobel(src, cv2.CV_64F, 1, 0, ksize=3) 对x轴方向进行sobel算子相乘操作

第三步:由于会出现负值的情况,因此使用cv2.convertScalerAbs() 转换为绝对值的形式

第四步:计算y轴方向上的sobel算子

第五步:使用cv2.addWeighted 将x轴方向的sobel算子的结果和y轴方向上的sobel算子的结果结合

第六步:使用cv2.Sobel(src, cv2.CV_64F, 1, 1, ksize=3) 直接获得x轴和y轴方向上的sobel算子结合

第七步:对这两个步骤获得的sobel算子作图

import cv2
import numpy as np

# 第一步:加载图片
img = cv2.imread(‘pie.png‘)
cv2.imshow(‘original‘, img)
cv2.waitKey(0)
cv2.destroyAllWindows()

在这里插入图片描述

# 第二步:对x轴方向上进行sobel算子相乘操作
x_sobel = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=3)
cv2.imshow(‘x_sobel‘, x_sobel)
cv2.waitKey(0)
cv2.destroyAllWindows()

在这里插入图片描述
画图时的负值,使用0来进行表示,因此右侧是黑色的

# 第三步:因为右侧像素减去左边像素,存在负值的情况,因此使用cv2.convertScaleAbs取绝对值操作
x_sobel = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=3)
x_sobel = cv2.convertScaleAbs(x_sobel)
cv2.imshow(‘x_sobel‘, x_sobel)
cv2.waitKey(0)
cv2.destroyAllWindows()

在这里插入图片描述

# 第四步:计算y轴的sobel算子
y_sobel = cv2.Sobel(img, cv2.CV_64F, 0, 1, ksize=3)
y_sobel = cv2.convertScaleAbs(y_sobel)
cv2.imshow(‘y_sobel‘, y_sobel)
cv2.waitKey(0)
cv2.destroyAllWindows()

在这里插入图片描述

# 第五步:并使用cv2.addweighted进行合并
xy_sobel = cv2.addWeighted(x_sobel, 0.5, y_sobel, 0.5, 0)

# 第六步: 直接使用cv2.sobel 进行计算
xy_sobel_direct = cv2.Sobel(img, cv2.CV_64F, 1, 1, ksize=3)

# 第七步:画图比较分步合并和一步到位的结果差异
cv2.imshow(‘imgs‘, np.hstack((xy_sobel, xy_sobel_direct)))
cv2.waitKey(0)
cv2.destroyAllWindows()

在这里插入图片描述
从图中我们可以看出x和y轴各自求,再做合并比直接求得的结果,轮廓更加的明显

易学教程内所有资源均来自网络或用户发布的内容,如有违反法律规定的内容欢迎反馈
该文章没有解决你所遇到的问题?点击提问,说说你的问题,让更多的人一起探讨吧!