圖像邊緣主要包含下面幾個部分

導入庫

import numpy as np import matplotlib.pyplot as plt import cv2 as cv

圖片輸出函數

def show(img):if img.ndim == 2:plt.imshow(img,cmap='gray')else:plt.imshow(cv.cvtColor(img,cv.COLOR_RGB2BGR))plt.show()

Premitt算子

Premitt算子一般包含以下兩種：

通過對水平方向和豎直方向的圖片進行處理，然后合成，看最終的效果如何。

kx = np.array([[-1,0,1],[-1,0,1],[-1,0,1] ],dtype=np.float32) ky = np.array([[-1,-1,-1],[0,0,0],[1,1,1] ],dtype=np.float32) imgX = cv.filter2D(img,cv.CV_64F,kx) imgY = cv.filter2D(img,cv.CV_64F,ky) imgXY2 = np.abs(imgX)+np.abs(imgY) show(np.hstack([img,np.abs(imgX).clip(0,255),np.abs(imgY).clip(0,255),np.abs(imgXY2).clip(0,255)]))

處理效果如下所示：

Roberts算子

Roberts算子也有兩種形式，跟Premitt算子大同小異。

#Roberts算子 kx = np.array([[-1,0],[0,1] ],dtype=np.float32) ky = np.array([[0,1],[1,0] ],dtype=np.float32) imgX = cv.filter2D(img,cv.CV_64F,kx) imgY = cv.filter2D(img,cv.CV_64F,ky) imgXY = np.sqrt(imgX**2+imgY**2) imgXY2 = np.abs(imgX)+np.abs(imgY) show(np.hstack([img,np.abs(imgX).clip(0,255),np.abs(imgY).clip(0,255),np.abs(imgXY2).clip(0,255)]))

但是效果不如前者

Sobel-Feldman、Scharr算子

這兩種算子與上面的兩種算子，卷積核不一樣，其余的地方大同小異，看看效果如何。

#soble-feldmen算子 imgX = cv.Sobel(img,cv.CV_16S,1,0)#x方向一階偏導，y方向0階偏導 imgY = cv.Sobel(img,cv.CV_16S,0,1)#y方向一階偏導，x方向0階偏導 imgXY = np.abs(imgX)+np.abs(imgY) show(np.hstack([img,np.abs(imgX).clip(0,255),np.abs(imgY).clip(0,255),np.abs(imgXY).clip(0,255)])) #Scharr算子 imgX = cv.Scharr(img,cv.CV_64F,1,0) imgY = cv.Scharr(img,cv.CV_64F,0,1) imgXY = np.sqrt(imgX**2+imgY**2) show(np.hstack([img,np.abs(imgX).clip(0,255),np.abs(imgY).clip(0,255),np.abs(imgXY).clip(0,255)]))

soble-feldmen算子

Scharr算子

Laplacian算子

Laplacian算子基本上卷積核如下圖所示：

opencv中有用來實現的方法

#Laplacian算子 img_lap = cv.Laplacian(img,cv.CV_64F) show(np.abs(img_lap).clip(10,255))

LoG算子

LoG算子，是高斯模糊和Laplacian算子結合而成的。

#Log算子 img_blur = cv.GaussianBlur(img,(3,3),1) img_log = cv.Laplacian(img_blur,cv.CV_64F) show(np.hstack([np.abs(img_lap).clip(0,255),np.abs(img_log).clip(0,255)]))

和單純的Laplacian相比，去除了很多噪聲，emmm但是效果不是很好，可能是參數的問題。

Canny算法

Canny算法的處理方式：

opencv中自帶的方法：

#canny邊緣檢測 img2 = cv.Canny(img,20,200)#低于20一定不是邊緣，大于200就一定是強邊緣，處于20-200之間的，如果靠近強邊緣就一定是邊緣 show(np.hstack([img,img2]))

總結

以上是生活随笔為你收集整理的数字图像处理之图像边缘的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。