边缘的定义及分类

1.梯度滤波器

OpenCV 提供了三种不同的梯度滤波器，或者说高通滤波器：Sobel， Scharr 和 Laplacian。Sobel，Scharr 其实就是求一阶或二阶导数。Scharr 是对 Sobel（使用小的卷积核求解求解梯度角度时）的优化，Laplacian 是求二阶导数。

Sobel 算子是高斯平滑与微分操作的结合体，所以它的抗噪声能力很好。你可以设定求导的方向（xorder 或 yorder）。还可以设定使用的卷积核的大小（ksize）。如果 ksize=-1，会使用 3x3 的 Scharr 滤波器，它的的效果要比 3x3 的 Sobel 滤波器好（而且速度相同，所以在使用 3x3 滤波器时应该尽量使用 Scharr 滤波器）

拉普拉斯算子可以使用二阶导数的形式定义，可假设其离散实现类似于二阶 Sobel 导数，事实上，OpenCV 在计算拉普拉斯算子时直接调用 Sobel 算子。

import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt
img = cv.imread('D:/fuji.jpg',0)###以灰度模式读取图片
laplacian=cv.Laplacian(img,cv.CV_64F)#拉普拉斯算子,#cv2.CV_64F输出图像的深度（数据类型），可以使用 -1,与原图像保持一致np.uint8
#sobel算子
##参数1,0为只在x方向求一阶导数，最大可以求2阶导数。
sobelx=cv.Sobel(img,cv.CV_64F,1,0,ksize=1,borderType =cv.BORDER_CONSTANT)
#参数0,1为只在y方向求一阶导数，最大可以求2阶导数
sobely=cv.Sobel(img,cv.CV_64F,0,1,ksize=1)
plt.subplot(2,2,1),plt.imshow(img,cmap = 'gray')
plt.title('Original'), plt.xticks([]), plt.yticks([])
plt.subplot(2,2,2),plt.imshow(laplacian,cmap = 'gray')
plt.title('Laplacian'), plt.xticks([]), plt.yticks([])
plt.subplot(2,2,3),plt.imshow(sobelx,cmap = 'gray')
plt.title('Sobel X'), plt.xticks([]), plt.yticks([])
plt.subplot(2,2,4),plt.imshow(sobely,cmap = 'gray')
plt.title('Sobel Y'), plt.xticks([]), plt.yticks([])
plt.show()

参考：https://docs.opencv.org/4.1.2/d4/d86/group__imgproc__filter.html#gacea54f142e81b6758cb6f375ce782c8d

2.Canny 边缘检测

在 OpenCV 中只需要一个函数：cv2.Canny()，就可以完成以上几步。让我们看如何使用这个函数。这个函数的第一个参数是输入图像。第二和第三个分别是 minVal 和 maxVal。第三个参数设置用来计算图像梯度的 Sobel 卷积核的大小，默认值为 3。最后一个参数是 L2gradient，它可以用来设定求梯度大小的方程。如果设为 True，就会使用我们上面提到过的方程，否则使用方程：Edge−Gradient(G) = |G2 x|+|G2 y| 代替，默认值为 False。

import cv2
from matplotlib import pyplot as plt
img = cv2.imread('D://pan.jpg',0)
edges = cv2.Canny(img,100,101)
plt.subplot(1,2,1),plt.imshow(img,cmap = 'gray')
plt.title('Original Image'), plt.xticks([]), plt.yticks([])
plt.subplot(1,2,2),plt.imshow(edges,cmap = 'gray')
plt.title('Edge Image'), plt.xticks([]), plt.yticks([])
plt.show()

参考：https://blog.csdn.net/liuuze5/article/details/38494331

图像处理2：图像边缘检测（python+opencv）相关推荐

python图像边缘检测_python opencv实现图像边缘检测
本文利用python opencv进行图像的边缘检测,一般要经过如下几个步骤: 1.去噪如cv2.GaussianBlur()等函数: 2.计算图像梯度图像梯度表达的是各个像素点之间,像素值大小的 ...
pilt图像处理_详解python opencv、scikit-image和PIL图像处理库比较
进行深度学习时,对图像进行预处理的过程是非常重要的,使用pytorch或者TensorFlow时需要对图像进行预处理以及展示来观看处理效果,因此对python中的图像处理框架进行图像的读取和基本变换的 ...
【图像处理基础知识（python+openCV）】——目标检测
一.填充轮廓 #_*_ encoding=utf-8 _*_ import numpy as np import cv2img=cv2.imread('leilei.jpg') imggray=cv2 ...
python opencv 图像叠加,python opencv图像叠加/图像融合/mask掩模
目录python 一.图像叠加能够经过OpenCV函数cv.add()或简单地经过numpy操做添加两个图像,res = img1 + img2.两个图像应该具备相同的深度和类型,或者第二个图像能够 ...
【图像处理基础知识】python+opencv显示中文
直接通过cv2.putText()写入的文字只能是英文,虽然opencv以字符串形式接收,但对于中文,会显示问号"???". 找到一个可行的办法,可以应急封装代码: #codin ...
Python+OpenCV图像处理（五）——图像阈值和二值化
系列文章 Python+OpenCV图像处理(一)--OpenCV框架与图像插值算法 Python+OpenCV图像处理(二)--几何变换 Python+OpenCV图像处理(三)--彩色空间互换 P ...
Python OpenCV相机参数详解：实现准确的相机标定和图像处理
Python OpenCV相机参数详解:实现准确的相机标定和图像处理在计算机视觉领域,相机参数是非常重要的元素.通过相机参数的标定,可以将图像中的像素坐标转化为真实世界中的坐标,从而实现准确的图像处 ...
基于Sobel算子的图像边缘检测
一.Sobel算子 Sobel边缘检测算法比较简单,实际应用中效率比canny边缘检测效率要高,但是边缘不如Canny检测的准确,然而在很多实际应用的场合,sobel边缘却是首选,Sobel算子是高斯 ...
Python OpenCV实战应用
OpenCV实战应用摘要传统计算机视觉传统特征提取方法 SIFT(尺度不变特征变换) HOG方向梯度特征图 SIFT和HOG的比较 LBP 建筑物轮廓提取介绍代码 API说明车道线检测介 ...
[python opencv 计算机视觉零基础到实战] 八、ROI泛洪填充
一.学习目标了解什么是ROI 了解floodFill的使用方法如有错误欢迎指出~ 目录 [python opencv 计算机视觉零基础到实战] 一.opencv的helloworld [[pyth ...

图像处理2：图像边缘检测（python+opencv）

边缘的定义及分类

1.梯度滤波器

2.Canny 边缘检测

图像处理2：图像边缘检测（python+opencv）相关推荐

最新文章

热门文章