'''
梯度滤波器(高通滤波器):Sobel,Scharr 和 Laplacian
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。
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
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)
事实上,OpenCV 在计算拉普拉斯算子时直接调用 Sobel 算子
'''
import cv2
cv2.namedWindow('img')
def nothing(x):
pass
cv2.createTrackbar('ksize: 3+2*i i=','img',0,10,nothing)
img=cv2.imread('1.jpg',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
while cv2.waitKey(1)!=27:
k=cv2.getTrackbarPos('ksize: 3+2*i i=','img')*2+3
#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
#但是在代码中使用的却是 cv2.CV_64F
#从黑到白的边界的导数是整数,而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
#即:把边界丢失掉
#如果这两种边界都想检测到,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
#eg:
#sobelx64f = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=5)
#abs_sobel64f = np.absolute(sobelx64f)
#sobel_8u = np.uint8(abs_sobel64f)
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=k)
# 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=k)
cv2.imshow('img',img)
cv2.imshow('sobelx',sobelx)
cv2.imshow('sobely',sobely)
cv2.imshow('laplacian',laplacian)
cv2.destroyAllWindows()
opencv图像梯度Sobel,Scharr 和 Laplacian
猜你喜欢
转载自blog.csdn.net/weixin_42764391/article/details/89112319
今日推荐
周排行