python图像边缘检测_python 简单图像处理(11) 空间域图像锐化(边缘检测)
这真是一件悲剧的事,早上,我花了很长时间写了这篇文章
当我快要完成时,然后电脑就蓝屏了,重启后,一切都成了浮云
好啦,没耐心再写那么多了,尽量简单吧
在图像识别中,需要有边缘鲜明的图像,即图像锐化。
图象锐化的目的是为了突出图像的边缘信息,加强图像的轮廓特征,以便于人眼的观察和机器的识别。
在空间域进行图象锐化主要有以下方法
梯度算子
其他锐化算子
拉普拉斯算子
(1)梯度空间算子
图像的边缘最直观的表现就是边缘两侧的灰度值相差比较大,在微积分中我们学过梯度的概念
梯度是一个列向量,可表示为:
而某点处梯度的模很好的反应了该点两侧的变化大小
所以,梯度值很大的点也就代表了图像的边缘
而在实际计算中,为了降低运算量,一般用一下两种方法来代替模运算
由于数字图像处理中处理的是数字离散信号
所以,我们用差分来等同于连续信号中的微分运算
典型的梯度运算有
而另一种称为Roberts梯度的差分运算可由下来表示
我们来编写程序来实现上面计算
import
cv
def
Sharp(image,flag1
=
0,flag2
=
0):
w
=
image.width
h
=
image.height
size
=
(w,h)
iSharp
=
cv.CreateImage(size,
8
,
1
)
for
i
in
range(h
-
1
):
for
j
in
range(w
-
1
):
if
flag2
==
0:
x
=
abs(image[i,j
+
1
]
-
image[i,j])
y
=
abs(image[i
+
1
,j]
-
image[i,j])
else
:
x
=
abs(image[i
+
1
,j
+
1
]
-
image[i,j])
y
=
abs(image[i
+
1
,j]
-
image[i,j
+
1
])
if
flag1
==
0:
iSharp[i,j]
=
max(x,y)
else
:
iSharp[i,j]
=
x
+
y
return
iSharp
image
=
cv.LoadImage(
'
lena.jpg
'
,0)
iMaxSharp
=
Sharp(image)
iAddSharp
=
Sharp(image,
1
)
iRMaxSharp
=
Sharp(image,0,
1
)
iRAddSharp
=
Sharp(image,
1
,
1
)
cv.ShowImage(
'
iMaxSharp
'
,iMaxSharp)
cv.ShowImage(
'
image
'
,image)
cv.ShowImage(
'
iAddSharp
'
,iAddSharp)
cv.ShowImage(
'
iRAddSharp
'
,iRAddSharp)
cv.ShowImage(
'
iRMaxSharp
'
,iRMaxSharp)
cv.WaitKey(0) 我们来看看运行结果
下面是Roberts梯度
可以比较下两种方法的效果
(2)其他锐化算子
利用梯度和差分原理可以组成以下锐化算子
1.Sobel算子
2.Prewitt算子
3.Isotropic算子
好啦,我们还是写程序吧
import
cv
def
SuanSharp(image,arrayX,arrayY):
w
=
image.width
h
=
image.height
size
=
(w,h)
iSuanSharp
=
cv.CreateImage(size,
8
,
1
)
tmpX
=
[0]
*
9
tmpY
=
[0]
*
9
for
i
in
range(
1
,h
-
1
):
for
j
in
range(
1
,w
-
1
):
for
k
in
range(
3
):
for
l
in
range(
3
):
tmpX[k
*
3
+
l]
=
image[i
-
1
+
k,j
-
1
+
l]
*
arrayX[k
*
3
+
l]
tmpX[k
*
3
+
l]
=
image[i
-
1
+
k,j
-
1
+
l]
*
arrayX[k
*
3
+
l]
iSuanSharp[i,j]
=
sum(tmpX)
+
sum(tmpY)
return
iSuanSharp
image
=
cv.LoadImage(
'
lena.jpg
'
,0)
SobelX
=
[
1
,0,
-
1
,
2
,0,
-
2
,
1
,0,
-
1
]
SobelY
=
[
-
1
,
-
2
,
-
1
,0,0,0,
1
,
2
,
1
]
PrewittX
=
[
1
,0,
-
1
,
1
,0,
-
1
,
1
,0,
-
1
]
PrewittY
=
[
-
1
,
-
1
,
-
1
,0,0,0,
1
,
1
,
1
]
IsotropicX
=
[
1
,0,
-
1
,
1.414
,0,
-
1.414
,
1
,0,
-
1
]
IsotropicY
=
[
-
1
,
-
1.414
,
-
1
,0,0,0,
1
,
1.414
,
1
]
iSobelSharp
=
SuanSharp(image,SobelX,SobelY)
iPrewittSharp
=
SuanSharp(image,PrewittX,PrewittY)
iIsotropicSharp
=
SuanSharp(image,IsotropicX,IsotropicY)
cv.ShowImage(
'
image
'
,image)
cv.ShowImage(
'
iPrewittSharp
'
,iPrewittSharp)
cv.ShowImage(
'
iSobelSharp
'
,iSobelSharp)
cv.ShowImage(
'
iIsotropicSharp
'
,iIsotropicSharp)
cv.WaitKey(0)
看看运行效果吧
好吧,这三个图的运算花了好几秒的时间,循环太多了,其实可以用numpy做矩阵运算
我们在这里主要学习图像处理原理,不是学习编程
(3)拉普拉斯运算
拉普拉斯运算比较适合于改善因为光线的漫反射而造成的图像模糊,拉普拉斯算子法是常用的边缘增强处理算子
它是各向同性的二阶导数
对于连续二元函数有:
整理后有:
可以得到拉普拉斯算子模板:
看看运行效果
而对于Photoshop这类软件来说,锐化和我这里所说的锐化不同
它是在原图基础上,加强边缘效果
我们只要把模板适当改动就能实现这样的效果
还有一种思路,我们在前面讲了图像的平滑,我们用原图减去平滑后的图像
得到的就是锐化边缘了
第四幅图我们对轮廓线做了对数灰度变换,前面讲过的
不过,效果没有前面直接锐化清晰
我们还可以在原图上乘以一个大于1的因子再减去模糊后的图像
得到如下结果
好啦,图像空域的锐化处理就讲到这里啦,是不是很简单呢?
python图像边缘检测_python 简单图像处理(11) 空间域图像锐化(边缘检测)相关推荐
- python灰度处理_python 简单图像处理(9) 灰度变换
对这个工具,你一定很熟悉吧,Photoshop里有,很多简单的图像处理软件里面也会有 那这个工具到底是什么意思呢,它和我们要讲到的灰度变换有很大的关系 在图像处理中,像图像度变换和直方图均衡都属于点运 ...
- python灰度处理_python 简单图像处理(14) 灰度图腐蚀和膨胀,开运算、闭运算...
在前面,我们讲了二值图的腐蚀和膨胀运算 其实我们很容易把腐蚀和膨胀的概念扩展到灰度图上面去 在讲二值图时,我们把粗框区域作为黑色区域 而对于灰度图,我们把粗框区作为整个图形区域 对于图形中的任一点,以 ...
- 【youcans 的 OpenCV 学习课】7. 空间域图像滤波
专栏地址:『youcans 的图像处理学习课』 文章目录:『youcans 的图像处理学习课 - 总目录』 [youcans 的 OpenCV 学习课]7. 空间域图像滤波 图像滤波是在尽可能保留图像 ...
- python 查看当前目录_Python的武器库11:os模块
说到编程语言python,有一个著名的格言"余生太短,只用python".如果要分析为什么会存在这么一句格言?python的语法并不简单,有复杂难懂的部分,之所以又这样一句格言,是 ...
- pythonopencv图像形态_Python+OpenCV图像处理之其他形态学操作
顶帽(Top Hat): 原图像与开操作之间的差值图像,突出原图像中比周围亮的区域 黑帽(Black Hat): 闭操作图像与原图像的差值图像, 突出原图像中比周围暗的区域 形态学梯度(Gradien ...
- 图像处理基础——空间域处理之灰度变换
参考 http://www.pianshen.com/article/2960258309/ https://blog.csdn.net/zhangqixiang5449/article/detail ...
- python图像对比_Python多种图像处理库的比较与比较
我帮助在libvips wiki 上维护一个页面,比较20个左右的常用图像处理库,以便快速和内存使用,包括相当多的Python系统. 基准测试非常简单:加载5,000 x 5,000像素RGB TIF ...
- python数字图像处理怎么保存图像_python数字图像处理(五) 图像的退化和复原...
import cv2 import numpy as np import matplotlib.pyplot as plt import scipy import scipy.stats %matpl ...
- python图像分析_python数字图像处理(一)图像的常见操作
首先导入必要的库,使用Opencv读入图像,避免复杂的图像解析,同时使用Opencv作为算法的对比,由于使用环境为jupyter使用matplotlib直接可视化 import cv2 import ...
- python宇晨_Python 学习第11天 yield 和异常处理
主要功能:把一个函数变成生成器 复习:将列表变成生成器a=iter([i for i in range(10)]) a.next() 使用yield将函数变成生成器,保存函数执行状态 yield简单代 ...
最新文章
- [密码学] 复杂性理论基础
- Visual C++——Visual C++ 6.0 转 Visual Studio[Visual C++]编译错误[错误	D8016	“/ZI”和“/Gy-”命令行选项不兼容]解决方案
- java.security.InvalidKeyException: Illegal key size
- oracle 10g rac 包root.sh报错,案例:Oracle Rac root.sh报错 Failed to create keys in the OLR
- vs code 插件 简繁转换_18个vscode插件打造python的超级IDE
- LeetCode 542. 01 Matrix
- android 文本分页显示,Android查看带有列表视图的分页器并动态添加文本
- Python使用python-snap7实现西门子PLC通讯
- linux mint 中文字体,Linux Mint字体设置
- axure rp9安装教程,axurerp9安装步骤
- 在web项目中使用Nginx搭建静态资源服务器,展示静态资源
- kvaser在linux中的应用
- 游戏开发unity资源管理系列:查看AssetBundle的工具-AssetStudio
- OLLYDBG逆天 往事随风修改专版
- 使用Java实现的高精度科学计算器
- 联通速品简易测试报告
- PC端浏览器自动填充账号密码输入框问题该如何解决?
- 【感悟随笔】我只是一直很努力
- Codeforces Round #643 (Div. 2) C. Count Triangles 题解(思维)
- Typora 未保存文件找回
热门文章
- 马化腾:如果今天我才创业 会做什么切入中国互联网
- Linux 防火墙配置
- 要了解CommunityServer的架构不得不看的文章
- VS2010与.NET4系列 19.ASP.NET4中新的HTML编码的%: %语法
- Java面向对象-String类
- SharePoint读取和设置列表栏的内容
- 牛顿法为什么比梯度下降法求解需要的迭代次数更少?
- 孙鑫VC学习笔记:第二十讲 (二) ado数据库编程
- php中怎样阻止网页进行跳转,PHP中阻止网页进行跳转的方法
- 拓端tecdat|在Python中自然语言处理生成词云WordCloud