opencv通过3种算子进行边缘提取

Scharr算子是效果比较好的,但从肉眼看sobel算子比较顺眼

python 复制代码
# 导入OpenCV库,用于图像处理
import cv2
import numpy as np
# 从matplotlib库中导入pyplot模块,用于绘制图像
from matplotlib import pyplot as plt
# 创建一个名为'window'的窗口,窗口大小自动调整
cv2.namedWindow('window', cv2.WINDOW_AUTOSIZE)  # cv2.WINDOW_AUTOSIZE: 窗口大小自动调整,不允许用户改变窗口大小
# 使用OpenCV的imread函数读取名为"mao.jpg"的图片,参数1表示读取彩色图像
# cat变量存储读取的图像数据,OpenCV默认以BGR格式读取
# 这里使用了0作为参数,表示读取灰度图像
cat = cv2.imread("mao.jpg", 0)
# 在名为'window'的窗口中显示图像
cv2.imshow('window', cat)
# 使用Sobel算子计算x方向上的梯度,并将结果存储在sobelx变量中
# cv2.CV_64F表示数据类型为64位浮点数
# 1表示x方向上的导数,0表示y方向上的导数
# ksize表示Sobel核的大小
sobelx = cv2.Sobel(cat,cv2.CV_64F,1,0,ksize=3)
# 使用Sobel算子计算y方向上的梯度,并将结果存储在sobely变量中
sobely = cv2.Sobel(cat,cv2.CV_64F,0,1,ksize=3)
# 将sobelx和sobely的梯度图像转换为绝对值形式,并将结果转换为8位无符号整数
sobelx = cv2.convertScaleAbs(sobelx)
sobely = cv2.convertScaleAbs(sobely)
# 将x方向和y方向的梯度图像进行加权求和,得到最终的梯度图像
# 0.5是x方向和y方向的权重,0是gamma校正的常数
sobelxy = cv2.addWeighted(sobelx, 0.5, sobely, 0.5, 0)
# 使用Scharr算子计算x方向上的梯度,并将结果存储在scharrx变量中
# Scharr算子是一种改进的Sobel算子,对边缘的定位更准确
scharrx = cv2.Scharr(cat,cv2.CV_64F,1,0)
# 使用Scharr算子计算y方向上的梯度,并将结果存储在scharry变量中
scharry = cv2.Scharr(cat,cv2.CV_64F,0,1)
# 将scharrx和scharry的梯度图像转换为绝对值形式,并将结果转换为8位无符号整数
scharrx = cv2.convertScaleAbs(scharrx)
scharry = cv2.convertScaleAbs(scharry)
# 将Scharr算子的x方向和y方向的梯度图像进行加权求和
# 注意这里有一个错误,应该是scharrx和scharry进行加权求和,而不是sobelxy和sobely
scharrxy = cv2.addWeighted(scharrx, 0.5, scharry, 0.5,0)
# 使用Laplacian算子计算图像的二阶导数,并将结果存储在laplacian变量中
laplacian = cv2.Laplacian(cat,cv2.CV_64F)
# 将Laplacian的二阶导数图像转换为绝对值形式,并将结果转换为8位无符号整数
laplacian = cv2.convertScaleAbs(laplacian)
# 将sobelxy, scharrxy和laplacian的梯度图像水平堆叠在一起,以便于比较
res = np.hstack((sobelxy,scharrxy,laplacian))
# 在名为'window1'的窗口中显示处理后的梯度图像
cv2.imshow('window1', res)
# 等待按键事件,0表示无限期等待
key = cv2.waitKey(0)
# 检查按下的键是否是'q',如果是则销毁所有窗口
# 0xFF是掩码,用于确保只检查最低8位
if key & 0xFF == ord('q'):  
    print("准备销毁窗口")
    cv2.destroyAllWindows()

原图和提取效果

相关推荐
fzyz1231 分钟前
Windows系统下WSL从C盘迁移方案
人工智能·windows·深度学习·wsl
BIYing_Aurora4 分钟前
【IPMV】图像处理与机器视觉:Lec13 Robust Estimation with RANSAC
图像处理·人工智能·算法·计算机视觉
数据与人工智能律师10 分钟前
数字资产革命中的信任之锚:RWA法律架构的隐形密码
大数据·网络·人工智能·云计算·区块链
CHANG_THE_WORLD22 分钟前
封装一个png的编码解码操作
图像处理·人工智能·计算机视觉
赛丽曼35 分钟前
Assistant API的原理及应用
人工智能·chatgpt
Yo_Becky1 小时前
【PyTorch】PyTorch预训练模型缓存位置迁移,也可拓展应用于其他文件的迁移
人工智能·pytorch·经验分享·笔记·python·程序人生·其他
DeepSeek-大模型系统教程1 小时前
深入金融与多模态场景实战:金融文档分块技术与案例汇总
人工智能·ai·语言模型·程序员·大模型·大模型学习·大模型教程
xinxiangwangzhi_1 小时前
pytorch底层原理学习--PyTorch 架构梳理
人工智能·pytorch·架构
yzx9910131 小时前
关于网络协议
网络·人工智能·python·网络协议
AiTEN_Robot1 小时前
AGV 无人叉车关键技术问题解析:精准定位算法 / 安全避障逻辑 / 系统对接协议全方案
人工智能·机器人·自动化·制造