图像梯度运算-Sobel算子

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

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()

# 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()

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()

# 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()

# 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()

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

来源：CSDN

作者：Kevin_Yu.

链接：https://blog.csdn.net/weixin_44623637/article/details/104076910