OpenCV:高通滤波之索贝尔、沙尔和拉普拉斯

目录

简述

什么是高通滤波?

高通滤波的概念

应用场景

索贝尔算子

算子公式

实现代码

特点

沙尔算子

算子公式

实现代码

特点

拉普拉斯算子

算子公式

实现代码

特点

高通滤波器的对比与应用场景


相关阅读

OpenCV:图像滤波、卷积与卷积核-CSDN博客

OpenCV:图像处理中的低通滤波-CSDN博客


简述

高通滤波是一种增强图像高频分量的处理方法,常用于边缘检测和特征提取。在图像处理中,高通滤波可以突出图像中的边缘、轮廓和细节信息,而抑制平滑区域(低频分量)。

本文将重点介绍三种常见的高通滤波器:索贝尔(Sobel)、沙尔(Scharr) 和 拉普拉斯(Laplacian),并结合代码和应用场景进行讲解。


什么是高通滤波?

高通滤波的概念

高通滤波是对图像进行卷积操作,以保留图像中的快速变化部分(如边缘和细节),同时抑制低频分量(如大面积平坦区域)。

应用场景

  • 边缘检测:提取物体轮廓和边界。
  • 特征提取:用于后续计算机视觉任务(如目标检测)。
  • 图像锐化:增强图像清晰度。

索贝尔算子

索贝尔算子是一种经典的边缘检测算子,通过计算像素梯度,检测图像的水平和垂直边缘。

算子公式

水平边缘检测

垂直边缘检测

实现代码

python 复制代码
import cv2
import numpy as np

# 读取图像
image = cv2.imread("D:\\resource\\filter\\shudu.jpg")
image = cv2.resize(image, (400,400))

# 检测单方向效果好, 同时双方向效果差

# y方向 图像边缘
result1 = cv2.Sobel(image, cv2.CV_64F, 1, 0, ksize=5)

# x方向 图像边缘
result2 = cv2.Sobel(image, cv2.CV_64F, 0, 1, ksize=5)

# 合并
result = cv2.add(result1, result2)

cv2.imshow("image", image)
cv2.imshow("result1", result1)
cv2.imshow("result2", result2)
cv2.imshow("result", result)
cv2.waitKey(0)
cv2.destroyAllWindows()

特点

  • 能检测水平和垂直边缘。
  • 可调整核大小(ksize)以控制平滑程度。

运行结果: y方向和x方向

运行结果: 原图和合成后的图


沙尔算子

沙尔算子是对索贝尔算子的优化版本,它在小窗口(如 3×3)中提供更高的精度。

算子公式

水平边缘检测

垂直边缘检测

实现代码

python 复制代码
import cv2
import numpy as np

# 读取图像
image = cv2.imread("D:\\resource\\filter\\shudu.jpg")
image = cv2.resize(image, (400,400))

# 与Sobel类似, 只能求x或y方向的边缘

# y方向 图像边缘
result1 = cv2.Scharr(image, cv2.CV_64F, 1, 0)

# x方向 图像边缘
result2 = cv2.Scharr(image, cv2.CV_64F, 0, 1)

# 合并
result = cv2.add(result1, result2)

cv2.imshow("image", image)
cv2.imshow("result1", result1)
cv2.imshow("result2", result2)
cv2.imshow("result", result)
cv2.waitKey(0)
cv2.destroyAllWindows()

特点

  • 在处理高频变化的边缘时,精度高于索贝尔算子。
  • 适用于对边缘检测精度要求较高的场景。

拉普拉斯算子

拉普拉斯算子是一种二阶导数算子,结合水平和垂直方向的梯度信息,用于检测图像的边缘。

算子公式

拉普拉斯算子的卷积核常见形式为:

实现代码

python 复制代码
import cv2
import numpy as np

# 读取图像
image = cv2.imread("D:\\resource\\filter\\shudu.jpg")
image = cv2.resize(image, (400,400))

# 可以同时求2个方向的边缘,但是对噪音敏感,需要先降噪
result = cv2.Laplacian(image, cv2.CV_64F, ksize=5)

cv2.imshow("image", image)
cv2.imshow("result", result)
cv2.waitKey(0)
cv2.destroyAllWindows()

特点

  • 同时检测水平、垂直和对角线方向的边缘。
  • 对噪声敏感,适合平滑处理后的图像。

运行结果


高通滤波器的对比与应用场景

算子 特点 适用场景
索贝尔 结合一阶导数,能检测水平和垂直边缘 边缘检测、特征提取
沙尔 索贝尔的改进版,适合处理高频变化区域,精度更高 精细边缘检测
拉普拉斯 二阶导数算子,检测方向无关的边缘,灵敏度高 图像锐化、边缘增强
相关推荐
豆浩宇23 分钟前
Halcon双相机单标定板标定实现拼图
c++·人工智能·目标检测·机器学习·计算机视觉
义薄云天us28 分钟前
021_自然语言处理应用
人工智能·自然语言处理·easyui·claude code
Yuroo zhou32 分钟前
MEMS IMU如何赋能无人机与机器人精准感知?
人工智能·单片机·嵌入式硬件·机器人·硬件架构·无人机
纪伊路上盛名在1 小时前
(鱼书)深度学习入门3:手搓神经网络
人工智能·深度学习·神经网络·机器学习
KaneLogger2 小时前
赛博保姆出列!Gemini CLI & Claude Code + Kimi 手把手教程
人工智能·程序员
一碗白开水一2 小时前
自动驾驶激光3D点云处理系统性阐述及Open3D库函数应用
人工智能·3d·自动驾驶
机器之心3 小时前
两周反转:Anthropic「闪电」夺回被Cursor挖走的核心编程大将
人工智能
阿里云大数据AI技术3 小时前
Post-Training on PAI (4):模型微调SFT、DPO、GRPO
人工智能·算法·云计算
CoovallyAIHub3 小时前
卷积网络到底能不能“定位”?一次对空间表示能力的深度解析
深度学习·算法·计算机视觉
_一条咸鱼_3 小时前
LangChain解析器性能优化方法深入分析(22)
人工智能·面试·langchain