手机网站模板带后台,编程网站编程,wordpress视频多集播放,googleseo推广OpenCV中边缘检测四种常用算子#xff1a;
#xff08;1#xff09;Sobel算子 Sobel算子是一种基于梯度的边缘检测算法。它通过对图像进行卷积操作来计算图像的梯度#xff0c;并将梯度的大小作为边缘的强度。它使用两个3x3的卷积核#xff0c;分别用于计…OpenCV中边缘检测四种常用算子
1Sobel算子 Sobel算子是一种基于梯度的边缘检测算法。它通过对图像进行卷积操作来计算图像的梯度并将梯度的大小作为边缘的强度。它使用两个3x3的卷积核分别用于计算水平方向Gx和垂直方向Gy的梯度通过对两个方向的梯度进行合并来得到最终的边缘图像。 import cv2image0 cv2.imread(output.png) # 读入图像
cv2.imshow(wino,image0) # 展示原图像# 对x方向进行边缘检测dx1表示对x方向dy0表示不对y轴方向参数-1表示输出图像将使用与输入图像相同的数据类型来存储像素值
# x方向的边缘
sobelx cv2.Sobel(image0,-1,dx1,dy0)
cv2.imshow(win1,sobelx)# x方向的边缘包括负数信息因为图像的灰度值范围为0~255负数展示不出来
# cv2.CV_64F表示将默认的uint8数据类型改为float64
sobelx64 cv2.Sobel(image0,cv2.CV_64F,dx1,dy0)
cv2.imshow(win2,sobelx64)# x方向的边缘包括负数信息 使用convertScaleAbs将灰度值进行绝对值处理负值信息即可显示
sobelxfull cv2.convertScaleAbs(sobelx64)
cv2.imshow(win3,sobelxfull)# x方向不检测y轴方向检测
sobely cv2.Sobel(image0,-1,dx0,dy1)
cv2.imshow(win4,sobely)# y方向的边缘包括负数信息
sobely64 cv2.Sobel(image0,cv2.CV_64F,dx0,dy1)
sobelyfull cv2.convertScaleAbs(sobely64)
cv2.imshow(win5,sobelyfull)# x和y方向进行加权处理
yuan_xy_full cv2.addWeighted(sobelxfull,1,sobelyfull,1,0)
cv2.imshow(sobely,yuan_xy_full)
cv2.waitKey(0) 2Scharr 算子 Scharr算子是一种改进的Sobel算子它使用更复杂的权重来提高梯度计算的精确度尤其是在低对比度边缘上。与 Soble 的速度相同且精度更高。Scharr 算子与 Sobel 算子的不同点是在平滑部分其中心元素占的权重更重相当于使用较小标准差的高斯函数也就是更瘦高的模板。ksize参数表示卷积核的大小。它是一个正奇数用于指定卷积核的尺寸。 import cv2
image0 cv2.imread(output.png,cv2.IMREAD_GRAYSCALE) # 导入图像灰度图形式
cv2.imshow(image0,image0)x64 cv2.Scharr(image0,cv2.CV_64F,dx1,dy0) # 对x方向进行处理将数据类型保存并转换成浮点型
xfull cv2.convertScaleAbs(x64) # 转换为绝对值负数转换为正数y64 cv2.Scharr(image0,cv2.CV_64F,dx0,dy1) # 对y轴方向进行处理
yfull cv2.convertScaleAbs(y64) # 绝对值处理xysobel cv2.addWeighted(xfull,1,yfull,1,0) # 加权处理
cv2.imshow(xy_Scharr,xysobel)
cv2.waitKey(0) 3Canny边缘检测算法 Canny算法是一种多阶段的边缘检测技术以其高效性和准确度而受到广泛应用。它通过噪声滤波、梯度计算、非极大值抑制和双阈值等步骤来识别边缘。Canny算法能够提取高质量的边缘并且对噪声有一定的抵抗能力。 步骤 高斯滤波使用高斯滤波器平滑图像以减少噪声。梯度计算使用Sobel算子计算梯度的强度和方向。非极大值抑制抑制非边缘的像素仅保留局部最大值。双阈值检测应用高、低两个阈值以确定边缘。边缘连接通过连接在高阈值附近的低阈值像素来形成最终边缘。 输出生成清晰的边缘图。 import cv2
import numpy as npimage1 cv2.imread(output.png,cv2.IMREAD_GRAYSCALE)
cv2.imshow(image1,image1)# 高斯平滑
blurred cv2.GaussianBlur(image1, (5, 5), 1.5)# 参数:其后表示边缘检测的像素值低于100像素的被丢弃高于150像素的被丢弃
image1_canny cv2.Canny(image1,100,150)
cv2.imshow(canny,image1_canny)
cv2.waitKey(0) 4Laplacian算子 Laplacian算子是一种基于二阶导数的边缘检测算法。它通过计算图像的二阶导数来查找图像中的边缘。Laplacian算子对于边缘的宽度和方向不敏感因此可以检测出比较粗的边缘。它对噪声相对敏感通常需要在使用前进行平滑处理。 使用拉普拉斯算子实现彩色浮雕效果 import cv2
import numpy as np
使用拉普拉斯算子实现彩色浮雕效果原理
1灰度转换首先将彩色图像转换为灰度图像。范围通常为0到255。2灰度差异计算
对于灰度图像中的每个像素计算其与相邻像素的灰度差异。
这通常是通过将当前像素的灰度值与其相邻像素如水平相邻、垂直相邻或对角线相邻的灰度值进行相减来实现的。
这种差异反映了图像中的边缘和轮廓信息。3偏移调整
将计算得到的灰度差异加上一个偏移值。这个偏移值用于控制浮雕效果的强度和方向。
通过调整偏移值可以使浮雕效果更加明显或柔和。选择一个适当的偏移值如128这样可以使处理后的图像灰度值保持在合理的范围内。4灰度范围映射
将计算得到的灰度值映射到合适的灰度范围通常是0到255。归一化。
这确保了浮雕效果的结果是一个合法的灰度图像。如果灰度值超出了这个范围则需要进行裁剪或归一化处理。
def emboss_effect_laplacian(image):if image is None:print(Error: Unable to read image.)return# 消除小噪声denoise cv2.medianBlur(image, 3)# 使用拉普拉斯算子计算二阶导数laplacian cv2.Laplacian(denoise, cv2.CV_64F)# 将拉普拉斯的值放大来模拟光照效果emboss cv2.convertScaleAbs(laplacian * 2 128) # 偏移量128是为了使值分布更均匀return emboss
if __name__ __main__:original cv2.imread(f:/apple.jpg, cv2.IMREAD_COLOR)emboss emboss_effect_laplacian(original)result np.concatenate((original, emboss), axis1)# 显示原始图像和浮雕效果图像cv2.imshow(Original Image, original)cv2.imshow(Emboss Effect (Laplacian), emboss)cv2.imwrite(emboss-result.jpg, result)cv2.waitKey(0)cv2.destroyAllWindows()
