OpenCV 图像梯度的实现方法
目录
- 概述
- 梯度运算
- 礼帽
- 黑帽
- Sobel 算子
- 计算 x
- 计算 y
- 计算 x+y
- 融合
概述
OpenCV 是一个跨平台的计算机视觉库, 支持多语言, 功能强大. 今天小白就带大家一起携手走进 OpenCV 的世界.
梯度运算
梯度: 膨胀 (Dilating) - 腐蚀 (Eroding).
例子:
# 读取图片 pie = cv2.imread("pie.png") # 核 kernel = np.ones((7, 7), np.uint8) # 计算梯度 gradient = cv2.morphologyEx(pie, cv2.MORPH_GRADIENT, kernel=kernel) # 图片展示 cv2.imshow("gradient", gradient) cv2.waitKey(0) cv2.destroyAllWindows()
输出结果:
礼帽
礼帽 (Top Hat): 原始输入 - 开运算结果.
例子:
# 读取图片 img = cv2.imread("white.png") # 核 kernel = np.ones((7, 7), np.uint8) # 礼帽 tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel=kernel) # 图片展示 cv2.imshow("tophat", tophat) cv2.waitKey(0) cv2.destroyAllWindows()
输出结果:
黑帽
黑帽 (Black Hat): 闭运算 - 原始输入.
例子:
# 读取图片 img = cv2.imread("white.png") # 核 kernel = np.ones((7, 7), np.uint8) # 礼帽 blackhat = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel=kernel) # 图片展示 cv2.imshow("blackhat", blackhat) cv2.waitKey(0) cv2.destroyAllWindows()
输出结果:
Sobel 算子
Sobel 算子 (Sobeloperator) 是边缘检测中非常重要的一个算子. Sobel 算子是一类离散性差分算子, 用来运算图像高亮度函数的灰度之近似值.
格式:
cv2.Sobel(src, ddepth, dx, dy, ksize)
参数:
- src: 原图
- ddepth: 图片深度
- dx: 水平方向
- dy: 竖直方向
- ksize: 算子大小
计算 x
代码:
# 读取图片 img = cv2.imread("pie.png") # Sobel算子 sobelx = cv2.Sobel(img, -1, 1, 0, ksize=3) # 展示图片 cv2.imshow("sobelx", sobelx) cv2.waitKey(0) cv2.destroyAllWindows()
输出结果:
计算 y
代码:
# 读取图片 img = cv2.imread("pie.png") # Sobel算子 sobely = cv2.Sobel(img, -1, 0, 1, ksize=3) # 展示图片 cv2.imshow("sobely", sobely) cv2.waitKey(0) cv2.destroyAllWindows()
输出结果:
计算 x+y
代码:
# 读取图片 img = cv2.imread("pie.png") # Sobel算子 sobel = cv2.Sobel(img, -1, 1, 1, ksize=3) # 展示图片 cv2.imshow("sobel", sobel) cv2.waitKey(0) cv2.destroyAllWindows()
输出结果:
融合
代码:
# Sobel算子 sobelx = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=3) sobely = cv2.Sobel(img, cv2.CV_64F, 0, 1, ksize=3) # 转换成绝对值 sobelx = cv2.convertScaleAbs(sobelx) sobely = cv2.convertScaleAbs(sobely) # 融合 sobel_xy = cv2.addWeighted(sobelx, 0.5, sobely, 0.5, 0) # 展示图片 cv2.imshow("sobel_xy", sobel_xy) cv2.waitKey(0) cv2.destroyAllWindows()
输出结果:
注: 当 ddepth 设置为 -1, 即与原图保持一致, 得到的结果可能是错误的. 计算梯度值可能出现负数, 负数会自动截断为 0. 为了避免信息丢失, 我们需要使用更高是数据类型 cv2.CV_64F, 再通过取绝对值将其映射到 cv2.CV_8U 类型.
到此这篇关于OpenCV 图像梯度的实现方法的文章就介绍到这了,更多相关OpenCV 图像梯度内容请搜索我们以前的文章或继续浏览下面的相关文章希望大家以后多多支持我们!
赞 (0)