ThinkChat🤖让你学习和工作更高效,注册即送10W Token,即刻开启你的AI之旅 广告
图像梯度原理:简单来说就是求导 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。Sobel和Scharr是求一阶或二阶导数。Scharr是对Sobel(使用小的卷积核求解梯度角度时)的优化,Laplacian是求二阶导数。 1.Sobel算子和Scharr算子 Sobel算子是高斯平滑与微分操作的结合体,它的抗噪音能力很好。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,效果会更好,若速度相同,在使用3x3滤波器时尽量使用Scharr。 3x3的Scharr滤波器卷积核如下: X方向 | -3 | 0 | 3 | | --- | --- | --- | | -10 | 0 | 10 | | -3 | 0 | 3 | Y方向 | -3 | -10 | -3 | | --- | --- | --- | | 0 | 0 | 0 | | 3 | 10 | 3 | 2.Laplacian算子 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。 拉普拉斯滤波器使用的卷积核: ![](https://box.kancloud.cn/c74c41ffbb363ab2c767f9be09f7f705_415x188.jpg) 示例:用以上三种滤波器对同一幅图像进行操作,卷积核使用为5x5。 ~~~ import cv2 import numpy from matplotlib import pyplot as plt img = cv2.imread('1024.jpg',0) laplacian = cv2.Laplacian(img,cv2.CV_64F) sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=5) 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() ~~~ ![](https://box.kancloud.cn/5b908fc067a3e6a9d1f50401bc1b0311_656x553.jpg) **一个重要的事!** 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?想象一下一个从黑到白的边界的导数是正数,而一个从白到黑的边界的导数却是负数。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。换句话就是把边界丢失掉。 所以如果这两种边界你都想检测到,最好的办法就是将输出的数据类型设置的更高,比如cv2.CV_16S等,取绝对值然后再把它转回到cv2.CV_8U。