vim+python+OpenCV学习七 : Sobel算子、Laplacian算子和Canny边缘检测
来源:互联网 发布:西安信利软件 编辑:程序博客网 时间:2024/05/02 04:32
#coding=utf-8'''Sobel算子Sobel算子依然是一种过滤器,只是其是带有方向的。在OpenCV-Python中,使用Sobel的算子的函数原型如下:dst = cv2.Sobel(src, ddepth, dx, dy[, dst[, ksize[, scale[, delta[, borderType]]]]]) 前四个是必须的参数:第一个参数是需要处理的图像;第二个参数是图像的深度,-1表示采用的是与原图像相同的深度。目标图像的深度必须大于等于原图像的深度;dx和dy表示的是求导的阶数,0表示这个方向上没有求导,一般为0、1、2。其后是可选的参数:dst不用解释了;ksize是Sobel算子的大小,必须为1、3、5、7。scale是缩放导数的比例常数,默认情况下没有伸缩系数;delta是一个可选的增量,将会加到最终的dst中,同样,默认情况下没有额外的值加到dst中;borderType是判断图像边界的模式。这个参数默认值为cv2.BORDER_DEFAULT。'''import cv2import numpy as np img=cv2.imread('test.jpg',0)'''在Sobel函数的第二个参数这里使用了cv2.CV_16S。因为OpenCV文档中对Sobel算子的介绍中有这么一句:Sobel函数求完导数后会有负值,还有会大于255的值。而原图像是uint8,即8位无符号数,所以Sobel建立的图像位数不够,会有截断。因此要使用16位有符号的数据类型,即cv2.CV_16S。'''x=cv2.Sobel(img,cv2.CV_16S,1,0)#对x求导y=cv2.Sobel(img,cv2.CV_16S,0,1)#对y求导'''在经过处理后,别忘了用convertScaleAbs()函数将其转回原来的uint8形式。否则将无法显示图像,而只是一副灰色的窗口。dst = cv2.convertScaleAbs(src[, dst[, alpha[, beta]]]) 其中可选参数alpha是伸缩系数,beta是加到结果上的一个值。结果返回uint8类型的图片。'''absX=cv2.convertScaleAbs(x) # 转回uint8 absY=cv2.convertScaleAbs(y)'''由于Sobel算子是在两个方向计算的,最后还需要用cv2.addWeighted(...)函数将其组合起来。其函数原型为:dst = cv2.addWeighted(src1, alpha, src2, beta, gamma[, dst[, dtype]]) 其中alpha是第一幅图片中元素的权重,beta是第二个的权重,gamma是加到最后结果上的一个值。'''dst = cv2.addWeighted(absX,0.5,absY,0.5,0) cv2.imshow('absX',absX)cv2.imshow('absY',absY)cv2.imshow('Result',dst)cv2.waitKey(0)cv2.destroyAllWindows()
#coding=utf-8'''Laplacian算子图像中的边缘区域,像素值会发生“跳跃”,对这些像素求导,在其一阶导数在边缘位置为极值,这就是Sobel算子使用的原理——极值处就是边缘。如果对像素值求二阶导数,会发现边缘处的导数值为0Laplace函数实现的方法是先用Sobel 算子计算二阶x和y导数,再求和:在OpenCV-Python中,Laplace算子的函数原型如下:dst = cv2.Laplacian(src, ddepth[, dst[, ksize[, scale[, delta[, borderType]]]]]) 第一个参数是需要处理的图像;第二个参数是图像的深度,-1表示采用的是与原图像相同的深度。目标图像的深度必须大于等于原图像的深度;dst不用解释了;ksize是算子的大小,必须为1、3、5、7。默认为1。scale是缩放导数的比例常数,默认情况下没有伸缩系数;delta是一个可选的增量,将会加到最终的dst中,同样,默认情况下没有额外的值加到dst中;borderType是判断图像边界的模式。这个参数默认值为cv2.BORDER_DEFAULT。'''import cv2import numpy as np img=cv2.imread('test.jpg',0)#为了让结果更清晰,这里的ksize设为3,gray_lap=cv2.Laplacian(img,cv2.CV_16S,ksize=3)#拉式算子dst=cv2.convertScaleAbs(gray_lap)cv2.imshow('laplacian',dst)cv2.waitKey(0)cv2.destroyAllWindows()
#coding=utf-8'''Canny边缘检测:OpenCV-Python中Canny函数的原型为:edge = cv2.Canny(image, threshold1, threshold2[, edges[, apertureSize[, L2gradient ]]])必要参数:第一个参数是需要处理的原图像,该图像必须为单通道的灰度图;第二个参数是阈值1;第三个参数是阈值2。其中较大的阈值2用于检测图像中明显的边缘,但一般情况下检测的效果不会那么完美,边缘检测出来是断断续续的。所以这时候用较小的第一个阈值用于将这些间断的边缘连接起来。可选参数中apertureSize就是Sobel算子的大小。而L2gradient参数是一个布尔值,如果为真,则使用更精确的L2范数进行计算(即两个方向的倒数的平方和再开放),否则使用L1范数(直接将两个方向导数的绝对值相加)。函数返回一副二值图,其中包含检测出的边缘。'''import cv2import numpy as np img=cv2.imread('test.jpg',0)#先进行高斯滤波降噪。img=cv2.GaussianBlur(img,(3,3),0)#在进行抠取轮廓,其中apertureSize默认为3。canny=cv2.Canny(img,50,150)cv2.imshow('canny',canny)cv2.waitKey(0)cv2.destroyAllWindows()
#coding=utf-8'''Canny边缘检测:优化的程序'''import cv2import numpy as np def CannyThreshold(lowThreshold): detected_edges = cv2.GaussianBlur(gray,(3,3),0) #高斯滤波 detected_edges = cv2.Canny(detected_edges, lowThreshold, lowThreshold*ratio, apertureSize = kernel_size) #边缘检测 # just add some colours to edges from original image. dst = cv2.bitwise_and(img,img,mask = detected_edges) #用原始颜色添加到检测的边缘上 cv2.imshow('canny demo',dst) lowThreshold = 0 max_lowThreshold = 100 ratio = 3 kernel_size = 3 img = cv2.imread('test.jpg') gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) #转换彩色图像为灰度图 cv2.namedWindow('canny demo') #设置调节杠,'''下面是第二个函数,cv2.createTrackbar()共有5个参数,其实这五个参数看变量名就大概能知道是什么意思了第一个参数,是这个trackbar对象的名字第二个参数,是这个trackbar对象所在面板的名字第三个参数,是这个trackbar的默认值,也是调节的对象第四个参数,是这个trackbar上调节的范围(0~count)第五个参数,是调节trackbar时调用的回调函数名'''cv2.createTrackbar('Min threshold','canny demo',lowThreshold, max_lowThreshold, CannyThreshold) CannyThreshold(0) # initialization if cv2.waitKey(0) == 27: #wait for ESC key to exit cv2 cv2.destroyAllWindows()
0 0
- vim+python+OpenCV学习七 : Sobel算子、Laplacian算子和Canny边缘检测
- OpenCV-Python教程(6)(7)(8): Sobel算子 Laplacian算子 Canny边缘检测
- opencv3学习之边缘检测(Canny/Sobel/Laplacian算子)
- opencv的Sobel导数、Scharr滤波器、Laplacian算子、Canny边缘检测
- Robert算子、sobel算子、Prewitt算子、canny边缘检测算子
- OpenCV学习笔记(13)OpenCV边缘检测:Canny算子,Sobel算子,Laplace算子,Scharr滤波器合辑
- OpenCV之十二 OpenCV边缘检测:Canny算子,Sobel算子,Laplace算子,Scharr滤波器合辑
- 【OpenCV入门教程之十二】OpenCV边缘检测:Canny算子,Sobel算子,Laplace算子,Scharr滤波器合辑合辑
- 边缘检测(Sobel算子,拉普拉斯算子,Canny算子)
- 边缘检测:canny算子,sobel算子,laplace算子,scharr滤波器
- 边缘检测,Roberts 算子,Sobel算子,Canny 算子
- OpenCV 边缘检测:Canny算子,Sobel算子,Laplace算子,Scharr滤波器合辑
- OpenCV边缘检测:Canny算子,Sobel算子,Laplace算子,Scharr滤波器
- opencv----边缘检测:canny算子、sobel算子、laplace算子、scharr滤波器
- OpenCV边缘检测:Canny算子,Sobel算子,Laplace算子,Scharr滤波器
- matlab sobel canny prewitt 边缘检测算子
- [学习opencv]图像sobel、laplacian、canny边缘检测
- 图像处理中各种边缘检测的微分算子简单比较(Sobel,Robert, Prewitt,Laplacian,Canny)
- lazy 延迟加载策略
- 项目总结之关于系统通讯录的操作
- 六种方式实现hibernate查询
- codeforces2016
- 有意思的分支预测
- vim+python+OpenCV学习七 : Sobel算子、Laplacian算子和Canny边缘检测
- 常用的视频格式mime设置
- android的Toast
- 学会使用listview的自定义baseadapter适配器
- 安装Java jdk1.6或1.7的详细步骤和配置环境变量的另类办法
- Json格式化form表单里面需要提交的数据
- iOS开发中的零碎知识点笔记 韩俊强的博客
- IBatis和Hibernate区别
- POJ 2728 Desert King 01分数规划 最优比率生成树