m0_51402531的博客

Roberts算子Roberts 算子是利用局部差分寻找边缘的一种算子，是最简单的边缘检测算子。Roberts 算子利用对角线方向相邻两像素之差近似梯度幅值来检测边缘，检测垂直边缘的效果要优于其他方向边缘，定位精度高，但对噪声的抑制能力较弱。边缘检测算子检查每个像素的邻域并对灰度变化率进行量化，同时也包含方向的确定。Roberts 算子边缘定位准，但是对噪声敏感。常用来处理具有陡峭的低噪声图像，当图像边缘接近于正45度或负45度时，该算法处理效果更理想。它适用于边缘明显而且噪声较少的图像分割，在应用中经

Canny边缘检测Canny 边缘检测是一种使用多级边缘检测算法检测边缘的方法。1986 年，John F. Canny 发表了著名的论文 A Computational Approach to Edge Detection，在该论文中详述了如何进行边缘检测。Canny()边缘检测步骤Canny 边缘检测分为如下几个步骤：步骤 1：去噪。噪声会影响边缘检测的准确性，因此首先要将噪声过滤掉。步骤 2：计算梯度的幅度与方向。步骤 3：非极大值抑制，即适当地让边缘“变瘦”。步骤 4：确定边缘。使

Laplacian 算子Laplacian（拉普拉斯）算子是一种二阶导数算子，其具有旋转不变性，可以满足不同方向的图像边缘锐化（边缘检测）的要求。通常情况下，其算子的系数之和需要为零。例如，一个3×3 大小的 Laplacian 算子如图 所示。Laplacian 算子类似二阶 Sobel 导数，需要计算两个方向的梯度值。例如，在图 9-25 中： 左图是 Laplacian 算子。 右图是一个简单图像，其中有 9 个像素点。计算像素点 P5 的近似导数值，如下：P5lap = (P2

Sobel 算子和 Scharr 算子的比较Sobel 算子的缺点是，当其核结构较小时，精确度不高，而Scharr 算子具有更高的精度。Sobel 算子和 Scharr 算子的核结构如图 所示。程序示例：分别使用 Sobel 算子和 Scharr 算子计算一幅图像的水平边缘和垂直边缘的叠加信息。import cv2o = cv2.imread('lena.bmp',cv2.IMREAD_GRAYSCALE)sobelx = cv2.Sobel(o,cv2.CV_64F,1,0,ksize=3)

Scharr算子在离散的空间上，有很多方法可以用来计算近似导数，在使用 3×3 的 Sobel 算子时，可能计算结果并不太精准。OpenCV 提供了 Scharr 算子，该算子具有和 Sobel 算子同样的速度，且精度更高。可以将 Scharr 算子看作对 Sobel 算子的改进，其核通常为：OpenCV 提供了函数 cv2.Scharr()来计算 Scharr 算子，其语法格式如下：dst = cv2.Scharr( src, ddepth, dx, dy[, scale[, delta[, bo

图像梯度算的是什么？图像梯度计算的是图像变化的速度。对于图像的边缘部分，其灰度值变化较大，梯度值也较大；相反，对于图像中比较平滑的部分，其灰度值变化较小，相应的梯度值也较小。一般情况下，图像梯度计算的是图像的边缘信息。严格来讲，图像梯度计算需要求导数，但是图像梯度一般通过计算像素值的差来得到梯度的近似值（近似导数值）。Sobel理论基础Sobel 算子是一种离散的微分算子，该算子结合了高斯平滑和微分求导运算。该算子利用局部差分寻找边缘，计算所得的是一个梯度的近似值。下图为Sobel算子示例：在 O