Opencv图像梯度计算

Opencv图像梯度计算

Sobel算子

可以理解为是做边缘检测的一种方法。

首先说明自己对图像梯度的简单理解:简单理解就是图像的颜色发生变化的边界区域在X方向和Y方向上的梯度值 Gx Gy

而Gx和Gy处的梯度的计算—使用下面的公式来进行计算。

Gx=[−10+1−20+2−10+1]∗A and Gy=[−1−2−1000+1+2+1]∗A \mathbf{G}_{x}=\left[\begin{array}{lll} -1 & 0 & +1 \\ -2 & 0 & +2 \\ -1 & 0 & +1 \end{array}\right] * \mathbf{A} \quad \text { and } \quad \mathbf{G}_{y}=\left[\begin{array}{ccc} -1 & -2 & -1 \\ 0 & 0 & 0 \\ +1 & +2 & +1 \end{array}\right] * \mathbf{A} Gx=121000+1+2+1A and Gy=10+120+210+1A

在Opencv中使用函数调用的方法为:

img = cv2.imread('./res/cat.jpg',cv2.IMREAD_GRAYSCALE)
cv2.imshow("img",img)
cv2.waitKey()
cv2.destroyAllWindows()

在这里插入图片描述

dst = cv2.Sobel(src, ddepth, dx, dy, ksize)

  • ddepth:图像的深度
  • dx和dy分别表示水平和竖直方向
  • ksize是Sobel算子的大小
def cv_show(img,name):
    cv2.imshow(name,img)
    cv2.waitKey()
    cv2.destroyAllWindows()
#%%
sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)

cv_show(sobelx,'sobelx')

在这里插入图片描述

使用Sobel算子进行计算相当于提取边缘的一种方式。白到黑是正数,黑到白就是负数了,所有的负数会被截断成0,所以要取绝对值对右侧区域进行补充

(1,0)代表X轴的方向 (0,1)代表的是Y轴的方向

sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
sobelx = cv2.convertScaleAbs(sobelx)
cv_show(sobelx,'sobelx')

在这里插入图片描述

sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)
sobely = cv2.convertScaleAbs(sobely)  
cv_show(sobely,'sobely')

计算综合值:将GX的平方与Gy的平方相加之后开根号进行计算得到最终图像的处理效果。

sobelxy = cv2.addWeighted(sobelx,0.5,sobely,0.5,0)
cv_show(sobelxy,'sobelxy')

在这里插入图片描述

Scharr算子和laplacian算子

### 使用 OpenCV 进行图像梯度计算 为了更好地理解和应用图像梯度的概念,在此提供一段 Python 代码来展示如何利用 OpenCV 库执行这一过程。这段程序会读取一张图片并分别采用 Sobel 和 Laplacian 方法求解其 X 方向、Y 方向以及整体的梯度。 ```python import cv2 import numpy as np from matplotlib import pyplot as plt def calculate_gradients(image_path): img = cv2.imread(image_path, 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() calculate_gradients('example.jpg') # 替换为实际路径下的文件名 ``` 上述脚本定义了一个名为 `calculate_gradients` 的函数,该函数接收一个参数即待处理图像的位置字符串。接着依次调用了三个不同的方法——拉普拉斯算子(Laplacian)、索贝尔X轴导数(Sobel X) 及 索贝尔Y轴导数 (Sobel Y),以此获得不同维度上的梯度信息[^1]。 此外,还展示了如何使用 Matplotlib 来可视化原始灰度图及其对应的三种梯度表示形式。这有助于直观感受各种算法对于捕捉边缘和其他显著结构的有效性差异[^2]。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

月亮已死热爱可抵万难

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值