Python----计算机视觉处理(Opencv:梯度处理:filiter2D算子,Sobel,Laplacian)

一、图像梯度

把图片想象成连续函数,因为边缘部 分的像素值是与旁边像素明显有区别的,所以对图片局部求极值,就可以得到整幅图片的边缘信息了。 不过图片是二维的离散函数,导数就变成了差分,这个差分就称为图像的梯度。

二、filter2D算子

ddepth:表示目标图像的所需深度。

kernel:卷积核(或相当于相关核),单通道浮点矩阵。

edge_ex_method:边缘检测的方向,upright:垂直,level:水平。

三、Sobel算子

四、Laplacian算子

五、梯度处理

5.1、filter2D

导入模块

python 复制代码
import cv2
import numpy as np

输入图像

python 复制代码
img=cv2.imread('shudu3.png')

梯度处理

python 复制代码
kernel=np.array(
    [
        [-1,0,1],
        [-2,0,2],
        [-1,0,1]
    ]
)
img_filter2D=cv2.filter2D(img,-1,kernel=kernel)

输出图像

python 复制代码
cv2.imshow('img',img)
cv2.imshow('img_filter2D',img_filter2D)
cv2.waitKey(0)

完整代码

python 复制代码
import cv2
import numpy as np

img=cv2.imread('shudu3.png')

kernel=np.array(
    [
        [-1,0,1],
        [-2,0,2],
        [-1,0,1]
    ]
)
img_filter2D=cv2.filter2D(img,-1,kernel=kernel)

cv2.imshow('img',img)
cv2.imshow('img_filter2D',img_filter2D)
cv2.waitKey(0)

5.2、Sobel

导入模块

python 复制代码
import cv2
import numpy as np

输入图像

python 复制代码
img=cv2.imread('shudu3.png')

梯度处理

python 复制代码
img_Sobel=cv2.Sobel(img,-1,dx=1,dy=0)

输出图像

python 复制代码
cv2.imshow('img',img)
cv2.imshow('img_Sobel',img_Sobel)
cv2.waitKey(0)

完整代码

python 复制代码
import cv2


img=cv2.imread('shudu3.png')

img_Sobel=cv2.Sobel(img,-1,dx=1,dy=0)

cv2.imshow('img',img)
cv2.imshow('img_Sobel',img_Sobel)
cv2.waitKey(0)

5.3、Laplacian

导入模块

python 复制代码
import cv2
import numpy as np

输入图像

python 复制代码
img=cv2.imread('shudu3.png')

梯度处理

python 复制代码
img_Laplacian=cv2.Laplacian(img,-1)

输出图像

python 复制代码
cv2.imshow('img',img)
cv2.imshow('img_Laplacian',img_Laplacian)
cv2.waitKey(0)

完整代码

python 复制代码
import cv2

img=cv2.imread('shudu3.png')

img_Laplacian=cv2.Laplacian(img,-1)

cv2.imshow('img',img)
cv2.imshow('img_Laplacian',img_Laplacian)
cv2.waitKey(0)

六、库函数

6.1、filter2D

python 复制代码
cv.filter2D(	src, ddepth, kernel[, dst[, anchor[, delta[, borderType]]]]	) ->	DST
方法 描述
src 输入图像
dst 输出图像
ddepth 目标图像的所需深度,请参阅组合
kernel 卷积核(或者更确切地说是相关核),单通道浮点矩阵;如果要将不同的内核应用于不同的通道,请使用 Split 将图像拆分为单独的颜色平面,然后单独处理它们。
anchor anchor 的 anchor 表示 filtered 点在 kernel 中的相对位置;锚应位于内核内;默认值 (-1,-1) 表示定位点位于内核中心。
delta 在将过滤的像素存储到 DST 之前添加到过滤像素的可选值。
borderType 素外插方法,请参阅 BorderTypes。不支持BORDER_WRAP

6.2、Sobel

python 复制代码
cv.Sobel(	src, ddepth, dx, dy[, dst[, ksize[, scale[, delta[, borderType]]]]]	) ->	dst

| 方法 | 描述 |
| src | 输入图像 |
| dst | 输出图像 |
| ddepth | 目标图像的所需深度,请参阅组合 |
| dx | 导数 X 的阶数 |
| dy | 导数 y 的阶数 |
| ksize | 扩展 Sobel 核的大小;它必须是 1、3、5 或 7。 |
| scale | 计算的导数值的可选比例因子;默认情况下,不应用缩放(有关详细信息,请参阅 getDerivKernels)。 |
| delta | 在将过滤的像素存储到 DST 之前添加到过滤像素的可选值。 |

borderType 素外插方法,请参阅 BorderTypes。不支持BORDER_WRAP

6.3、Laplacian

python 复制代码
cv.Laplacian(	src, ddepth[, dst[, ksize[, scale[, delta[, borderType]]]]]	) ->	dst

| 方法 | 描述 |
| src | 输入图像 |
| dst | 与 src 具有相同大小和相同通道数的目标图像。 |
| ddepth | 目标图像的所需深度,请参阅组合。 |
| ksize | 用于计算二阶导数滤波器的孔径大小。有关详细信息,请参阅 getDerivKernels。大小必须为正数和奇数。 |
| scale | 计算的拉普拉斯值的可选比例因子。默认情况下,不应用缩放。有关详细信息,请参阅 getDerivKernels。 |
| delta | 在将结果存储在 dst 中之前添加到结果中的可选 delta 值。 |

borderType 像素外插方法,请参阅 BorderTypes。不支持BORDER_WRAP
相关推荐
PyAIExplorer22 分钟前
图像处理中的霍夫变换:直线检测与圆检测
图像处理·人工智能
野指针1213828 分钟前
【使用Flask基于PaddleOCR3.0开发一个接口 调用时报错RuntimeError: std::exception】
python·flask
千宇宙航44 分钟前
闲庭信步使用图像验证平台加速FPGA的开发:第七课——获取RAW图像
图像处理·计算机视觉·fpga开发
格林威1 小时前
Baumer工业相机堡盟工业相机如何通过DeepOCR模型识别判断数值和字符串的范围和相似度(C#)
开发语言·人工智能·python·数码相机·计算机视觉·c#·视觉检测
不爱学英文的码字机器1 小时前
Claude Code: Best practices for agentic coding
人工智能
赵英英俊1 小时前
Python Day8
python
代码老y1 小时前
数据挖掘:从理论到实践的深度探索
人工智能·数据挖掘
DAWN_T171 小时前
Python编译器(Pycharm Jupyter)
python·机器学习·jupyter·pycharm
Draina1 小时前
在pycharm中运行sagemath脚本的配置过程
ide·python·安全·pycharm·密码学