在图像增强过程中，通常利用各类图像平滑算法消除噪声，图像的常见噪声主要有加性噪声、乘性噪声和量化噪声等。一般来说，图像的能量主要集中在其低频部分，噪声所在的频段主要在高频段，同时图像边缘信息也主要集中在其高频部分。这将导致原始图像在平滑处理之后，图像边缘和图像轮廓模糊的情况出现。为了减少这类不利效果的影响，就需要利用图像锐化技术，使图像的边缘变得清晰。

一、Roberts算子

Roberts算子又称交叉微分算法，它是基于交叉差分的梯度算法，通过局部差分计算检测边缘线条，常来处理具有陡峭的低噪声图像，当图像边缘接近于正负45，处理效果最佳。缺点是对边缘定位信息不太准确，提取的边缘线条较粗。Roberts算子模板分为水平方向和垂直方向。

在python中Roberts算子主要是通过Numpy定义模板，再调用OpenCV中的filter2D()函数实现边缘提取，该函数主要是利用内核实现对图像的卷积运算，其函数原型如下：

dst=cv.filter2D(src, ddepth, kernel[, dst[, anchor[, delta[, borderType]]]])

参数如下：

src 原图像

dst 目标图像，与原图像尺寸和通过数相同

ddepth 目标图像的所需深度

kernel 卷积核（或相当于相关核），单通道浮点矩阵;如果要将不同的内核应用于不同的通道，请使用拆分将图像拆分为单独的颜色平面，然后单独处理它们。

anchor 内核的锚点，指示内核中过滤点的相对位置;锚应位于内核中;默认值（-1，-1）表示锚位于内核中心。

detal 在将它们存储在dst中之前，将可选值添加到已过滤的像素中。类似于偏置。

borderType 像素外推法，参见BorderTypes

Roberts算法代码如下所示：

import cv2
import matplotlib.pyplot as plt
import numpy as np#读取图像
image = cv2.imread('E:/pythonProject/12.png')
lena = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)#灰度转化处理
grayImage = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)#roberts算子
kernelx = np.array([[-1, 0], [0, 1]], dtype= int)
kernely = np.array([[0, -1], [1, 0]], dtype= int)
x = cv2.filter2D(grayImage, cv2.CV_16S, kernelx)
y = cv2.filter2D(grayImage, cv2.CV_16S, kernely)#转uint8
absX = cv2.convertScaleAbs(x)
absY = cv2.convertScaleAbs(y)#加权和
Roberts = cv2.addWeighted(absX, 0.5, absY, 0.5, 0)#显示中文标签
plt.rcParams['font.sans-serif'] = ['SimHei']#图像显示
titles = [u'原始图像', u'Robertes图像']
images = [lena, Roberts]for i in range(2):plt.subplot(1, 2, i+1), plt.imshow(images[i], 'gray')plt.xticks([]), plt.yticks([])plt.title(titles[i])
plt.show()

输出结果如下所示：

二、Prewitt算子

Prewitt算子是一种图像边缘检测的微分算子，由于Prewitt算子采用3*3模板对区域中的像素进行计算，而Roberts算子的是利用2*2模板，因此，Prewitt算子边缘检测结果在水平方向和垂直方向均比Roberts算子更加明显。Prewitt算子适合用来处理噪声较多，灰度渐变的图像。

在python中,Prewitt算子处理过程与Roberts算子较为相似，主要是通过Numpy定义模板，再调用OpenCV中的filter2D()函数实现对图像的卷积运算，最终通过cv2.convertScaleAbs()，和cv2.addWeighted()实现图像边缘提取。

Prewitt算法代码如下所示：

import cv2
import numpy as np
import matplotlib.pyplot as plt#输入图像
image = cv2.imread('E:/pythonProject/12.png')
lena = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)#灰度转化处理
grayImage = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)#kernel
kernelX = np.array([[1, 1, 1], [0, 0, 0], [-1, -1, -1]],dtype= int)
kernelY = np.array([[-1, 0, 1], [-1, 0, 1], [-1, 0, 1]],dtype= int)
x = cv2.filter2D(grayImage, cv2.CV_16S, kernelX)
y = cv2.filter2D(grayImage, cv2.CV_16S, kernelY)#转uint8
absX = cv2.convertScaleAbs(x)
absY = cv2.convertScaleAbs(y)#加权和
Prewitt = cv2.addWeighted(absX, 0.5, absY, 0.5, 0)#图象显示
plt.rcParams['font.sans-serif'] = ['SimHei']
titles = [u'原始图像', u'Prewitt图像']
images = [lena, Prewitt]for i in range(2):plt.subplot(1, 2, i+1), plt.imshow(images[i], 'gray')plt.xticks([]), plt.yticks([])plt.title(titles[i])
plt.show()

输出结果如下所示：

从其效果图输出可以明显看出，Prewitt算子在垂直方向和水平方向其边缘检测结果均比Roberts算子边缘检测轮廓要更明显。

三、Sobel算子

Sobel算子根据像素点上下、左右邻点灰度加权差，在边缘处达到极值这一现象检测边缘。对噪声具有平滑作用，提供较为精确的边缘方向信息，边缘定位精度不够高。当对精度要求不是很高时，是一种较为常用的边缘检测方法。

函数原型：

sobelx = cv2.Sobel(img,cv2.CV_64F, 1, 0, ksize=3)

img表示原图像

利用Sobel方法可以进行sobel边缘检测 img表示源图像，即进行边缘检测的图像 cv2.CV_64F表示64位浮点数即64float，这里不使用numpy.float64，因为可能会发生溢出现象。

用cv的数据则会自动第三和第四个参数分别是对X和Y方向的导数（即dx,dy），对于图像来说就是差分，这里1表示对X求偏导（差分），0表示不对Y求导（差分），其中，X还可以求2次导。（注意：对X求导就是检测X方向上是否有边缘。）

第五个参数ksize是指核的大小。

在sobel处理之后还要用cv2.convertScaleAbs()求其绝对值，并将图像转化为uint8格式。

Sobel算法代码如下所示：

import cv2
import matplotlib.pyplot as plt#读取图像
image = cv2.imread('E:/pythonProject/12.png')
lean = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)#转灰度图像
grayImage = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)#Sobel算子
x = cv2.Sobel(grayImage, cv2.CV_16S, 1, 0)#对x一阶求导
y = cv2.Sobel(grayImage, cv2.CV_16S, 0, 1)#对y一阶求导
absX = cv2.convertScaleAbs(x)
absY = cv2.convertScaleAbs(y)
Sobel = cv2.addWeighted(absX, 0.5, absY, 0.5, 0)#图像输出
plt.rcParams['font.sans-serif'] = ['SimHei']
titles = [u'原始图像', u'Sobel图像']
images = [lean, Sobel]for i in range(2):plt.subplot(1, 2, i+1), plt.imshow(images[i], 'gray')plt.xticks([]), plt.yticks([])plt.title(titles[i])
plt.show()

输出结果如下所示：

四、Laplacian算子

Laplace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。

函数原型：

dst = cv2.Laplacian(src, ddepth[, dst[, ksize[, scale[, delta[, borderType]]]]])

必须的参数：

scr是需要处理的图像；

ddepth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；

可选的参数：

dst表示输出边缘图，其大小和通道数与输入图像相同；

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。

Laplacian算子代码如下所示：

import cv2
import matplotlib.pyplot as plt#读取图像
image = cv2.imread('E:/pythonProject/12.png')
lean = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)#转灰度图像
grayImage = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)#拉普拉斯算法
dst = cv2.Laplacian(grayImage, cv2.CV_16S, ksize= 3)
Laplacian = cv2.convertScaleAbs(dst)#图像输出
plt.rcParams['font.sans-serif'] = ['SimHei']
titles = [u'原始图像', u'Laplacian图像']
images = [lean, Laplacian]for i in range(2):plt.subplot(1, 2, i+1), plt.imshow(images[i], 'gray')plt.xticks([]), plt.yticks([])plt.title(titles[i])
plt.show()

输出结果如下所示：

今天先写这么多，后期持续更新~

python图像处理（十一）——图像锐化与边缘检测之Roberts算子、Prewitt算子、Sobel算子、Laplacian算子相关推荐

python图像锐化增强边缘_[Python图像处理]十一.图像锐化与边缘检测之Roberts算子、Prewitt算子、Sobel算子和Laplacian算子,Schar算子...
Roberts算子 Roberts算子即为交叉微分算法,它是基于交叉差分的梯度算法,通过局部差分计算检测边缘线条.常用来处理具有陡峭的第噪声图像,当图像边缘接近于正45度或负45度时,该算法处理效果更 ...
Roberts、Prewitt、Sobel、Laplacian、LoG 和 Canny 边缘检测算子(MATLAB自写函数实现)
文章目录 Roberts.Prewitt.Sobel.Laplacian.LoG 和 Canny 边缘检测算子(MATLAB自写函数实现) 1理论 1.1 知识引入 1.1.1 图像边缘边缘[1] 1 ...
[Python图像处理] 四十二.Python图像锐化及边缘检测万字详解（Roberts、Prewitt、Sobel、Laplacian、Canny、LOG）
该系列文章是讲解Python OpenCV图像处理知识,前期主要讲解图像入门.OpenCV基础用法,中期讲解图像处理的各种算法,包括图像锐化算子.图像增强技术.图像分割等,后期结合深度学习研究图像识别 ...
Python中的图像处理（第十一章）Python图像锐化及边缘检测（1）
Python中的图像处理(第十一章)Python图像锐化及边缘检测(1) 前言一. Python准备二. Python仿真三. 小结前言随着人工智能研究的不断兴起,Python的应用也在不断 ...
[Python从零到壹] 五十八.图像增强及运算篇之图像锐化Sobel、Laplacian算子实现边缘检测
欢迎大家来到"Python从零到壹",在这里我将分享约200篇Python系列文章,带大家一起去学习和玩耍,看看Python这个有趣的世界.所有文章都将结合案例.代码和作者的经验讲 ...
Python图像锐化及边缘检测(Roberts、Prewitt、Sobel、Lapllacian、Canny、LOG)
目录图像锐化概述算法方法介绍代码实现效果展示图像锐化概述图像锐化(image sharpening)是补偿图像的轮廓,增强图像的边缘及灰度跳变的部分,使图像变得清晰,分为空间域处理和频域处 ...
【图像处理】——Python图像分割边缘检测算法之一阶梯度算子（Roberts、Prewitt、Sobel、 Kirsch、Canny算子）
目录前言一.边缘检测算法 1.一阶算子 2.二阶算子二.一阶算子原图像lena 1.Roberts算子不同方向的算子模板梯度的计算系统代码: 自定义函数代码结果 2.Prewitt 不 ...
梯度与边缘检测常用算子：Roberts、Prewitt、Sobel、LOG，Canny、Lapacian算子
原文:https://blog.csdn.net/swj110119/article/details/51777422 原文:https://blog.csdn.net/gdut2015go/arti ...
[Python图像处理] 十八.图像锐化与边缘检测之Scharr算子、Canny算子和LOG算子
该系列文章是讲解Python OpenCV图像处理知识,前期主要讲解图像入门.OpenCV基础用法,中期讲解图像处理的各种算法,包括图像锐化算子.图像增强技术.图像分割等,后期结合深度学习研究图像识别 ...
8.1 Python图像处理之图像典型分割-SUSAN边缘检测
8.1 Python图像处理之图像典型分割-SUSAN边缘检测文章目录 8.1 Python图像处理之图像典型分割-SUSAN边缘检测 1 算法原理 2 代码 3 效果 1 算法原理 SUSAN 的 ...

python图像处理（十一）——图像锐化与边缘检测之Roberts算子、Prewitt算子、Sobel算子、Laplacian算子

一、Roberts算子

二、Prewitt算子

三、Sobel算子

四、Laplacian算子

python图像处理（十一）——图像锐化与边缘检测之Roberts算子、Prewitt算子、Sobel算子、Laplacian算子相关推荐

最新文章

热门文章

src	原图像
dst	目标图像，与原图像尺寸和通过数相同
ddepth	目标图像的所需深度
kernel	卷积核（或相当于相关核），单通道浮点矩阵;如果要将不同的内核应用于不同的通道，请使用拆分将图像拆分为单独的颜色平面，然后单独处理它们。
anchor	内核的锚点，指示内核中过滤点的相对位置;锚应位于内核中;默认值（-1，-1）表示锚位于内核中心。
detal	在将它们存储在dst中之前，将可选值添加到已过滤的像素中。类似于偏置。
borderType	像素外推法，参见BorderTypes