基于Python的Opencv图像梯度处理

图像梯度直观反应其实就是图像当中各物体的轮廓，而在像素点上的体现其实就是相邻像素点之间的差值，差值越大，轮廓就会越清晰（可用于图像增强），而Opencv提供了以下三种算子来进行图像的梯度处理，跟在之前的博客中提到的cv2.morphologyEx(img,cv2.MORPH_GRADIENT,kernel)函数其实很类似，都能够得到图像的轮廓。而Opencv也提供了以下三种算子来进行图像的梯度处理。

sobel算子

先看到Gx,这里的算子其实很像是卷积核，而靠近中间的像素乘以+2和-2，稍远的四个角则乘以+1和-1是为了实现类似加权的效果，这一点跟上篇博客的高斯滤波很像，都是进行加权，而如果这个范围内的像素点值都是一样的，那么两边相加完之后其实就是0，中间的像素点会是一个黑点，而一片像素点值接近甚至相等的区域，经过计算之后会是一片黑色的区域，则表示图像在这个位置没有梯度，这也符合我们宏观上说的没有轮廓。相反如果图像在该位置像素值大小差异明显，则经过计算所得到的中间点会是一个接近于白色的点，如果有一整行的话，那么它就是一条l轮廓线。而Gx这个卷积核的设定只能够计算水平横轴上的差值，而竖直方向上因为都是0，所以竖直方向上的梯度会被忽略，我们还需要Gy来计算竖直方向上的梯度。

注意：由于在进行梯度计算的过程中会出现负值，而Opencv没有读取负值像素这一说，因此如果出现负数，Opencv会直接进行截断操作，将它们默认为0，因此我们还需要将处理之后的图像像素值转化为绝对值。函数如下

sobely = cv2.convertScaleAbs(sobely)：在括号内写入要进行绝对值转化的图片即可。

相关函数

sobelx = cv2.Sobel(test1,cv2.CV_64F,0,1,ksize = 3)：test是传入的要进行处理的图像，cv2.CV_64F是一种保存数值的类型，能够保存负数，0表示先不计算水平方向的梯度，1表示计算竖直方向的梯度，当然，我们也可以将参数改为1，1以同时计算竖直方向和水平方向的梯度，但是分开计算再融合图片所得到的效果要更好一些，这里的ksize表示卷积核的范围大小。

代码实例

import cv2
import numpy as np
import matplotlib.pyplot as plt
def cv2_imshow(name,img):#定义展示图像的函数cv2.imshow(name,img)cv2.waitKey(0)cv2.destroyAllWindows()
pie = cv2.imread("pie.png")#读入pie图像
cv2.imshow("pie",pie)#展示读入的图像
cv2.waitKey(0)
cv2.destroyAllWindows()
sobelx = cv2.Sobel(pie,cv2.CV_64F,1,0,ksize = 3)#只计算横轴
cv2_imshow("sobelx",sobelx)
sobelx = cv2.convertScaleAbs(sobelx)#取绝对值
cv2_imshow("sobelx",sobelx)#展示图像
sobely = cv2.Sobel(pie,cv2.CV_64F,0,1,ksize = 3)#只计算竖轴
sobely = cv2.convertScaleAbs(sobely)#取绝对值
cv2_imshow("sobely",sobely)#展示图像
sobelxy = cv2.addWeighted(sobelx,0.5,sobely,0.5,0)#融合两张图像
cv2_imshow("sobelxy",sobelxy)#展示融合后的图像
sobelxy = cv2.Sobel(pie,cv2.CV_64F,1,1,ksize = 3)#同时计算横轴和竖轴
sobelxy = cv2.convertScaleAbs(sobelxy)#转化为绝对值
cv2_imshow("sobelxy",sobelxy)#展示图像
test1 = cv2.imread("test1.png")#读入彩色图像
cv2_imshow("test1",test1)#展示原图
sobelx = cv2.Sobel(test1,cv2.CV_64F,0,1,ksize = 3)#梯度处理彩色图像，只处理水平方向
sobelx = cv2.convertScaleAbs(sobelx)#转化为绝对值
cv2_imshow("sobelx",sobelx)#显示图像
sobely = cv2.Sobel(test1,cv2.CV_64F,1,0,ksize = 3)#梯度处理彩色图像，只处理竖直方向
sobely = cv2.convertScaleAbs(sobely)#转化为绝对值
cv2_imshow("sobely",sobely)#显示图像
sobelxy = cv2.addWeighted(sobelx,0.5,sobely,0.5,0)#将两者图片融合
cv2_imshow("sobelxy",sobelxy)#显示融合后的图像
All = np.hstack((sobelx,sobely,sobelxy))#拼接三幅彩色图像进行对比

运行结果

原图

只处理横轴得到的图像，可以看到在圆的顶部和底部出现了缺口，这是由于只计算了水平方向的梯度，因此对于竖直方向上的梯度将会被抵消忽略掉。

只处理竖轴得到的图像，跟上图相反，这是左右两边出现了缺口，这是由于值处理了竖轴方向上的梯度造成的。

将两张图像融合后即可得到圆的完整轮廓（即完整梯度）如下图

但如果同时处理横轴和竖轴后展示图像，效果会比单独处理要差，如下图

当然，我们也可以处理彩色的图像，读入的原图如下（上面有一些噪音点，后面有用）

进行水平方向的梯度处理后得到下图，我们可以清楚的看到她的轮廓，但是我们对比原图可以看到，她竖轴方向上的梯度并没有被体现出来，比如图片右边的竖直的头发就不见了，还有鼻子也不明显（对比下一张图可能会更清楚一些）。

进行竖直方向的梯度计算后得到下图（可以跟上图对比，看看都有啥区别）

融合得到最终轮廓

三张图像的横向对比

scharr算子

scharr算子跟sobel算子 原理相同，用法也相同，只是scharr算子对梯度更为敏感，原因是在卷积核中，它将乘数扩大到了10和3，相当于将梯度扩大了10被和3倍，这样所得到的梯度图像将会更加的细致。

相关函数

scharrx = cv2.Scharr(test1_gray,cv2.CV_64F,0,1)：只改变了函数名，函数用法和参数作用与sobel算子一样

代码示例

import cv2
import numpy as np
import matplotlib.pyplot as plt
test1_gray = cv2.imread("test1.png",cv2.IMREAD_GRAYSCALE)#读入灰度图像
scharrx = cv2.Scharr(test1_gray,cv2.CV_64F,0,1)#scharr算子梯度处理灰度图像，只处理水平方向
scharry = cv2.Scharr(test1_gray,cv2.CV_64F,1,0)#scharr算子梯度处理灰度图像，只处理竖直方向
scharrx= cv2.convertScaleAbs(scharrx)#将像素值转化为绝对值
scharry = cv2.convertScaleAbs(scharry)#将像素值转化为绝对值
scharrxy = cv2.addWeighted(scharrx,0.5,scharry,0.5,0)#融合图像

运行效果

可以看到，使用scharr算子得到深度图像明显比使用sobel算子得到的要更加细致。

laplacian算子

laplacian算子是一个二阶算子，它可以直接计算出图像的边界，但缺点是对噪音点敏感，一般不会单独使用，需要配合其他函数处理图像。

相关函数

laplacian = cv2.Laplacian(test1_gray,cv2.CV_64F)：传如要进行处理的图像和数据保存类型即可。

代码示例

import cv2
import numpy as np
import matplotlib.pyplot as plt
def cv2_imshow(name,img):#定义展示图像的函数cv2.imshow(name,img)cv2.waitKey(0)cv2.destroyAllWindows()
test1_gray = cv2.imread("test1.png",cv2.IMREAD_GRAYSCALE)#读入灰度图像
#laplacian算子处理梯度图像，对梯度变化速率更敏感，类似于二阶导
laplacian = cv2.Laplacian(test1_gray,cv2.CV_64F)#laplacian算子梯度处理灰度图像
laplacian = cv2.convertScaleAbs(laplacian)#将像素值转化为绝对值
cv2_imshow("laplacian",laplacian)#显示处理后的图像

运行效果

可以看到，用laplacian算子得到的图像受噪音点影响更大

以下是三种算子处理的对比图

从左至右依次为：sobel算子，scharr算子，laplacian算子

基于Python的Opencv图像梯度处理相关推荐

基于python的opencv图像形态学处理（图像腐蚀与膨胀操作以及礼帽与黑帽）
腐蚀与膨胀图像的腐蚀与膨胀互为逆向操作,通常用于处理二值图像(黑白图,以黑色为底面背景),因此需要先进行二值化处理,腐蚀和膨胀通俗的理解就是,在指定大小的卷积核内,如果该卷积核内全为黑色或全为白色, ...
OpenCV——图像梯度与边缘检测(python实现)
OpenCV--图像梯度与边缘检测 6.1 简介严格的说,梯度计算需要求导数.但是图像梯度的计算,是通过计算像素值的差得到梯度的近似值.图像梯度表示的是图像变化的速度,反映了图像的边缘信息. 边缘是 ...
基于Python的OpenCV+TensorFlow+Keras人脸识别实现
前言:本节要讲的人脸识别主要是借鉴了一位研究生前辈的文章我只是在他的基础上进行了改动,让代码能在现在的TensorFlow2.X 等的环境下运行先看一下效果图完整工程及源代码请点击链接下载:人 ...
基于python的图像处理的毕业论文_个人毕业设计基于python开发的图像论文34646.doc...
word文档可自由复制编辑本科生毕业论文(设计) 题目:基于python开发的图像采集器之Airppt 学部学科门类专业基于python开发的图像采集器之Airppt 摘要装订装 ...
基于Python通过OpenCV实现的口罩识别系统理论篇
基于Python通过OpenCV实现的口罩识别系统理论设计篇一.项目实现环境基于Python 3.8.1版本 opencv-python 4.2.0.34版本需要自己下载OpenCV的库文件,添 ...
cv2 python 获取斑马线_基于python的opencv图像处理实现对斑马线的检测示例
基本思路斑马线检测通过opencv图像处理来进行灰度值转换.高斯滤波去噪.阈值处理.腐蚀和膨胀后对图像进行轮廓检测,通过判断车辆和行人的位置,以及他们之间的距离信息,当车速到超过一定阈值时并且与行人 ...
OpenCV图像梯度（Sobel和Scharr）
OpenCV图像梯度(Sobel和Scharr) 1 图像梯度是什么? 2 图像梯度的用途 3 图像梯度的使用参考这篇博客将介绍图像渐变以及如何使用OpenCV的cv2.Sobel计算Sobel渐 ...
Python，OpenCV图像金字塔cv2.pyrUp(), cv2.pyrDown()
Python,OpenCV图像金字塔cv2.pyrUp, cv2.pyrDown 1. 效果图 2. 原理 2.1 什么是图像金字塔 2.2 金字塔分类 2.3 应用 3. 源码参考这篇博客将介绍 ...
python使用openCV图像加载（转化为灰度图像）、Canny边缘检测器检测图像的边缘（Detect Edges）
python使用openCV图像加载(转化为灰度图像).Canny边缘检测器检测图像的边缘(Detect Edges) 目录

基于Python的Opencv图像梯度处理

基于Python的Opencv图像梯度处理相关推荐

最新文章

热门文章