目錄

0 程序環(huán)境與所學(xué)函數(shù)

1 Prewitt、Robert 算子

?2 sobel 、scharr算子

3 Laplacian 、 LoG算子

?4 Canny邊緣檢測

5 Canny邊緣檢測底層代碼實(shí)現(xiàn)

---

0 程序環(huán)境與所學(xué)函數(shù)

本章程序運(yùn)行需要導(dǎo)入下面三個(gè)庫，并定義了一個(gè)顯示圖像的函數(shù)

import cv2 as cv import numpy as np import matplotlib.pyplot as pltdef show(img):if img.ndim == 2:plt.imshow(img, cmap='gray')else:plt.imshow(cv.cvtColor(img, cv.COLOR_BGR2RGB))plt.show()

所學(xué)函數(shù)

Premitt、Roberts算子

cv.filter2D(img, -1, kernel)

Sobel、Scharr算子

cv.Sobel(img, cv.CV_16S, 1, 0, ksize=3) cv.Scharr(img, cv.CV_64F, 0, 1, ksize=3)

Laplacian、LoG算子

cv.Laplacian(img, cv.CV_16S)

Canny邊緣檢測

cv.Canny(img, 20, 200)

1 Prewitt、Robert 算子

Prewitt原理：紅色矩陣代表兩個(gè)不同方向的算子（水平方向與豎直方向）

效果

?編程實(shí)現(xiàn)

# Prewitt算子 img = cv.imread('pic/gift500x500.jpg', 0)kx = np.array([[1, 1, 1], [0, 0, 0], [-1, -1, -1]], dtype=np.float32) ky = np.array([[-1,0, 1], [-1,0, 1], [-1, 0, 1]], dtype=np.float32)imgx = cv.filter2D(img, cv.CV_16S, kx) #CV_16S是數(shù)據(jù)類型 imgy = cv.filter2D(img, cv.CV_16S, ky)absX = cv.convertScaleAbs(imgx) absY = cv.convertScaleAbs(imgy)img_prewitt = cv.add(absX, absY) # np.uint8 show(img_prewitt)

顯示

# 銳化 img_pre_sharp1 = cv.addWeighted(img, 0.9, img_prewitt, 0.2, 0) img_pre_sharp2 = cv.add(img, img_prewitt) cv.imwrite('pic/gift_sharp.jpg', np.hstack([img, img_pre_sharp1, img_pre_sharp2]))

?Roberts算子原理

?效果

?程序?qū)崿F(xiàn)

# Roberts算子 img = cv.imread('pic/gift500x500.jpg', 0)kx = np.array([[-1, 0], [0, 1]], dtype=np.float32) ky = np.array([[0, -1], [1, 0]], dtype=np.float32)imgx = np.abs(cv.filter2D(img, cv.CV_16S, kx)) imgy = np.abs(cv.filter2D(img, cv.CV_16S, ky))img_robert = cv.convertScaleAbs(np.abs(imgx) + np.abs(imgy)) # np.uint8show(np.hstack([img, img_robert]))

顯示

?2 sobel 、scharr算子

原理

?sobel算子編程實(shí)現(xiàn)

#sobel算子 img = cv.imread('pic/bookshelf500x333.jpg', 0) show(img)grad_x = cv.Sobel(img, cv.CV_16S, 1, 0, ksize=3)#1表示dx工作0表示dy不工作 grad_y = cv.Sobel(img, cv.CV_16S, 0, 1, ksize=3)grad_xabs = np.abs(grad_x) grad_yabs = np.abs(grad_y) grad_xy = grad_xabs + grad_yabsshow(np.hstack([img, grad_xabs, grad_yabs, grad_xy]))

顯示

??Scharr算子編程實(shí)現(xiàn)

img = cv.imread('pic/bookshelf500x333.jpg', 0)grad_x = np.abs(cv.Scharr(img, -1, 1, 0)) grad_y = np.abs(cv.Scharr(img, -1, 0, 1)) img_grad = cv.add(grad_x, abs(grad_y))show(np.hstack([img, img_grad])) show(np.hstack([grad_x, grad_y]))

顯示

3 Laplacian 、 LoG算子

原理：

?

?效果

?Laplacian算子編程實(shí)現(xiàn)

img = cv.imread('pic/notebook500x333.jpg', 0)img_lap = cv.Laplacian(img, cv.CV_16S, ksize=5, scale=0.2)img_lap2 = np.abs(img_lap).clip(0, 255) show(np.hstack([img, img_lap2]))

顯示

?LoG算子編程實(shí)現(xiàn)

img = cv.imread('pic/notebook500x333.jpg', 0)img_g = cv.GaussianBlur(img, (3,3), 0) img_log = cv.Laplacian(img_g, cv.CV_16S, ksize=5, scale=0.2)img_log2 = np.abs(img_log).clip(0, 255) show(np.hstack([img, img_log2]))

顯示

?4 Canny邊緣檢測

原理：

?效果

?編程實(shí)現(xiàn)

img = cv.imread('pic/notebook500x333.jpg', 0)img_canny = cv.Canny(img, 20, 200) #小于20設(shè)為0大于200設(shè)為255 show(np.hstack([img, img_canny]))

顯示

5 Canny邊緣檢測底層代碼實(shí)現(xiàn)

原理

?

?代碼實(shí)現(xiàn)

img = cv.imread('pic/notebook500x333.jpg', 0)# 1. 平滑 img_blur = cv.GaussianBlur(img, (5,5), 2)# 2. 計(jì)算梯度 gradx = cv.Sobel(img_blur, cv.CV_64F, 1, 0) grady = cv.Sobel(img_blur, cv.CV_64F, 0, 1) R = np.abs(gradx) + np.abs(grady) T = np.arctan(grady / (gradx + 1e-3))# 3. 細(xì)化邊緣 h, w = R.shape img_thin = np.zeros_like(R)for i in range(1, h-1):for j in range(1, w-1):theta = T[i,j]if -np.pi / 8 <= theta < np.pi / 8:if R[i,j] == max([R[i,j], R[i,j-1], R[i, j+1]]):img_thin[i,j] = R[i,j]elif -3 * np.pi / 8 <= theta < -np.pi / 8:if R[i,j] == max([R[i,j], R[i-1,j+1], R[i+1,j-1]]):img_thin[i,j] = R[i,j]elif np.pi / 8 <= theta < 3 * np.pi / 8:if R[i,j] == max([R[i,j], R[i-1,j-1], R[i+1,j+1]]):img_thin[i,j] = R[i,j] else:if R[i,j] == max([R[i,j], R[i-1,j], R[i+1,j]]):img_thin[i,j] = R[i,j]show(img_thin)th1 = 20 th2 = 200h, w = img_thin.shape img_edge = np.zeros_like(img_thin, dtype=np.uint8)for i in range(1, h-1):for j in range(1, w-1):if img_thin[i,j] >= th2:img_edge[i,j] = img_thin[i,j]elif img_thin[i,j] > th1:around = img_thin[i-1:i+2, j-1:j+2]if around.max() >= th2:img_edge[i,j] = img_thin[i,j]show(img_edge)

?

?

《新程序員》：云原生和全面數(shù)字化實(shí)踐50位技術(shù)專家共同創(chuàng)作，文字、視頻、音頻交互閱讀

總結(jié)

以上是生活随笔為你收集整理的【图像处理opencv】_图像边缘的全部內(nèi)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(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。