网站的空间怎么查,公众号登录微信入口,山西网络广告推广,赣州网站建设策划文章目录致谢3 图像处理#xff08;上#xff09;3.1 几何变换3.1.1 图像缩放3.1.2 图像平移3.1.3 图像旋转3.1.4 仿射变换3.2 图像阈值3.3 图像平滑3.3.1 图像噪声3.3.1.1 椒盐噪声3.3.1.2 高斯噪声3.3.2 均值滤波3.3.3 方框滤波3.3.4 高斯滤波3.3.5 中值滤波3.3.6 小结3.4 …
文章目录致谢3 图像处理上3.1 几何变换3.1.1 图像缩放3.1.2 图像平移3.1.3 图像旋转3.1.4 仿射变换3.2 图像阈值3.3 图像平滑3.3.1 图像噪声3.3.1.1 椒盐噪声3.3.1.2 高斯噪声3.3.2 均值滤波3.3.3 方框滤波3.3.4 高斯滤波3.3.5 中值滤波3.3.6 小结3.4 形态学操作3.4.1 连通性3.4.1.1 邻接3.4.1.2 连通3.4.2 腐蚀和膨胀3.4.2.1 腐蚀3.4.2.2 膨胀3.4.3 开闭运算3.4.4 黑帽和礼帽3.4.5 梯度3.5 图像梯度处理3.5.1 Sobel算子3.5.2 Scharr算子3.5.3 laplacian算子致谢 OpenCV高斯滤波GaussianBlur_godadream的博客-CSDN博客_gaussianblur opencv 图像平移、缩放、旋转、翻转 图像仿射变换_Ibelievesunshine的博客-CSDN博客_opencv 图像仿射变换 opencv 图像变换原理详解 图像平移 图像旋转 图像缩放 - 我坚信阳光灿烂 - 博客园 (cnblogs.com) 3 图像处理上
3.1 几何变换
3.1.1 图像缩放 cv2.resize(src,dsize,fx0,fy0,interpolation cv2.INTER_LINEAR) 参数 src输入图像dsize按固定比例缩小fx、fy自定义比例缩小interpolation插值方法 插值含义cv2.INTER_LINEAR双线性插值法cv2.INTER_NEAREST最近邻插值cv2.INTER_AREA像素区域重采样cv2.INTER_CUBIC双三次插值import cv2 as cv# 读取图片
img cv.imread(rC:\Users\13966\Desktop\Test01.jpg)
# 缩放
row, col img.shape[0:2]
resize_img cv.resize(img, (2*col, 2*row), cv2.INTER_NEAREST)
cv.imshow(image, resize_img)
cv.waitKey(0)3.1.2 图像平移 cv.warpAffine(src,M,dsize) src输入的图像M2×3的移动矩阵移动矩阵通常为2*3对于处于(x,y)的像素点要把他们移动到(xtx,ytyxt_x,yt_yxtx,yty)则只需构建M [10tx01ty]\left [\begin{array}{ccc}10t_x \\01t_y \end{array}\right][1001txty]并且该矩阵必须是np.fload32类型的矩阵dsize输出图像的大小 import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt
import matplotlibmatplotlib.rcParams[font.family]SimHei# 读取图像
img cv.imread(rC:\Users\13966\Desktop\Test01.jpg)# 设置平移矩阵
rows, cols img.shape[:2]
M np.float32([[1, 0, 100], [0, 1, 50]])
dst cv.warpAffine(img, M, (cols, rows))# 图像显示
fig, axes plt.subplots(nrows1, ncols2, figsize(10, 8), dpi100)
axes[0].imshow(img[:, :, ::-1])
axes[0].set_title(原图)
axes[1].imshow(dst[:, :, ::-1])
axes[1].set_title(平移后结果)
plt.show()out 3.1.3 图像旋转
图像旋转是指图像按照某个位置转动一定角度的过程旋转中图像仍然保持原始尺寸。 同样地图像的选择也需要提供一个矩阵我们在此称其为旋转矩阵在openCV中通过cv2.getRotationMatrix2D可以返回一个矩阵。 cv.warpAffine(src,M,dsize) src输入的图像M旋转矩阵dsize输出图像的大小 cv.getRotationMatrix2D(center,anger,scale) center旋转中心angle旋转角度scale缩放比例return旋转矩阵 import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt
import matplotlibmatplotlib.rcParams[font.family] SimHei# 读取图像
img cv.imread(rC:\Users\13966\Desktop\Test01.jpg)# 设置平移矩阵
rows, cols img.shape[:2]
M cv.getRotationMatrix2D((100, 100), 30, 1)
dst cv.warpAffine(img, M, (cols, rows))# 图像显示
fig, axes plt.subplots(nrows1, ncols2, figsize(10, 8), dpi100)
axes[0].imshow(img[:, :, ::-1])
axes[0].set_title(原图)
axes[1].imshow(dst[:, :, ::-1])
axes[1].set_title(平移后结果)
plt.show()out 3.1.4 仿射变换
图像的仿射变换设计到图像的形状位置角度的变化是深度学习预处理中常用到的一个功能。仿射变换的主要工作是对图像进行缩放、旋转、翻转、平移的一系列组合操作。
仿射变换的内核是两个点
变换前是直线的变换后依然是直线直线比例保持不变 在OpenCV中仿射变换的矩阵是一个2×3的矩阵。如下所示 M[A,B][a00a01b0a10a11b1]M [A,B] \left[ \begin{array}{ccc} a_{00} a_{01} b_0\\ a_{10} a_{11} b_1\\ \end{array} \right ] M[A,B][a00a10a01a11b0b1] 其中该矩阵的2×2子矩阵是线性变换矩阵右边2×1矩阵是平移项。
对于图像中任一位置(x,y)仿射变换执行的是如下的操作
TaffineA[xy]BM[xy1]T_{affine} A\left[\begin{array}{ccc}x\\y\end{array}\right]B M\left[\begin{array}{ccc}x\\y\\1\end{array}\right]TaffineA[xy]BM⎣⎡xy1⎦⎤
需要注意的是对于图像而言宽度方向是x高度方向是y坐标的顺序和图像像素对应下标一致。所以原点的位置不是左下角而是右上角y的方向也不是向上而是向下。
在仿射变换中原图中所有的平行线在结果图像中同样平行。为了创建这个矩阵我们需要从原图像中找到三个点以及它们在输出图像中的位置然后通过OpenCV提供的cv2.getAffineTransform来创建仿射变换的2*3矩阵。
import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt
import matplotlibmatplotlib.rcParams[font.family] SimHei# 读取图像
img cv.imread(rC:\Users\13966\Desktop\Test01.jpg)# 设置平移矩阵
rows, cols img.shape[:2]
pts1 np.float32([[50, 50], [200, 50], [50, 200]])
pts2 np.float32([[100, 100], [200, 50], [100, 250]])
M cv.getAffineTransform(pts1, pts2)
dst cv.warpAffine(img, M, (cols, rows))# 图像显示
fig, axes plt.subplots(nrows1, ncols2, figsize(10, 8), dpi100)
axes[0].imshow(img[:, :, ::-1])
axes[0].set_title(原图)
axes[1].imshow(dst[:, :, ::-1])
axes[1].set_title(平移后结果)
plt.show()out 3.2 图像阈值 ret,dst cv2.threshold(src,thresh,maxval,type) src输入图只能输入单通道图像通常来说为灰度图dst输出图thresh阈值maxval当像素值超过了阈值所赋予的值type二值化操作的类型 cv2.THRESH_BINARY超过阈值部分取maxval否则取0cv2.THRESH_BINARY_INVTHRESH_BINARY的反转cv2.THRESH_TRUNC大于阈值部分设为阈值否则不变cv2.THRESH_TOZERO大于阈值部分不改变否则设为0cv2.THRESH_TOZERO_INVcv2.THRESH_TOZERO的反转 import cv2
import cv2 as cv
import numpy as np
import matplotlib.pyplot as pltimg cv.imread(rC:\Users\13966\Desktop\Test01.jpg)
ret, thresh1 cv2.threshold(img, 127, 255, cv.THRESH_BINARY)
ret, thresh2 cv2.threshold(img, 127, 255, cv.THRESH_BINARY_INV)
ret, thresh3 cv2.threshold(img, 127, 255, cv.THRESH_TRUNC)
ret, thresh4 cv2.threshold(img, 127, 255, cv.THRESH_TOZERO)
ret, thresh5 cv2.threshold(img, 127, 255, cv.THRESH_TOZERO_INV)title [img, THRESH_BINARY, THRESH_BINARY_INV, THRESH_TRUNC,THRESH_TOZERO, THRESH_TOZERO_INV]fig, axes plt.subplots(nrows2, ncols3, figsize(20, 8), dpi80)
axes[0][0].imshow(img[:, :, ::-1])
axes[0][0].set_title(title[0])
axes[0][1].imshow(thresh1[:, :, ::-1])
axes[0][1].set_title(title[1])
axes[0][2].imshow(thresh2[:, :, ::-1])
axes[0][2].set_title(title[2])
axes[1][0].imshow(thresh3[:, :, ::-1])
axes[1][0].set_title(title[3])
axes[1][1].imshow(thresh4[:, :, ::-1])
axes[1][1].set_title(title[4])
axes[1][2].imshow(thresh5[:, :, ::-1])
axes[1][2].set_title(title[5])
plt.show()out 3.3 图像平滑
3.3.1 图像噪声
由于图像采集、处理、传输等过程不可避免的会受到噪声的污染妨碍人们对图像理解及分析处理常见的噪声有高斯噪声、椒盐噪声等。
3.3.1.1 椒盐噪声
椒盐噪声也称为脉冲噪声是图像中经常见到的一种噪声它是一种随机出现的白点或者黑点其出现的原因可能是因为影像讯号受到突如其来的强烈干扰而产生。如下图所示 3.3.1.2 高斯噪声
高斯噪声满足高斯分布。 3.3.2 均值滤波
均值滤波实际上就是深度学习里面的平均池化。
让我们先给出一张带有噪点的图片以便下面做处理。 我们来解释一下池化的含义。
池化是卷积神经网络CNN的术语。认识什么是池化之前我们要先了解什么是卷积卷积就是通过一个小型矩阵卷积核对原图片矩阵做扫描来输入另外一个矩阵这个另外的矩阵我们叫做卷积层。
小型矩阵和原图片矩阵的映射关系是通过互相关运算来实现的即对应的元素相乘在相加。如下图所示 理解了原理就好说了。池化层也是通过某种关系来输出新矩阵的根据这种关系我们将池化层分为平均池化层和最大池化层其本质是用一个n×n的卷积核去扫描而这个卷积核是没有数字的且他也不和原图片做互相关运算。如果是平均池化层那么是输出卷积核覆盖区域的平均数而如果是最大池化层则输出卷积核覆盖区域的最大数。 举个例子用2×2的池化窗口去扫描如果窗口内的值是 max(0,1,3,4)4, max(1,2,4,5)5, max(3,4,6,7)7, max(4,5,7,8)8。
说完了池化让我们回到滤波器。实际上均值滤波的本质实际上就是平均池化窗口。
让我们试着对上面的图片做一下均值滤波处理。
import cv2 as cv
import matplotlib.pyplot as plt
import numpy as npimg cv.imread(rC:\Users\13966\Desktop\Test03.jpg)
blur_img cv.blur(img, (3, 3))
fig, axes plt.subplots(nrows1, ncols2)
axes[0].imshow(img[:, :, ::-1])
axes[0].set_title(image)
axes[1].imshow(blur_img[:, :, ::-1])
axes[1].set_title(blur_img)
plt.show()out 3.3.3 方框滤波 cv2.boxFilter( src, ddepth, ksize, anchor, normalize, borderType) src指的是处理的图像ddepth处理结果图像的图像深度,一般使用1 表示与原始图像使用相同的图像深度normalize是否进行归一化 方框滤波使用归一化时效果和均值滤波完全一样而不使用归一化时超过255的像素点默认会变成255,如下所示。
import cv2 as cv
import matplotlib.pyplot as pltimg cv.imread(rC:\Users\13966\Desktop\Test03.jpg)
blur_img cv.boxFilter(img, -1, (3, 3), normalizeFalse)
fig, axes plt.subplots(nrows1, ncols2)
axes[0].imshow(img[:, :, ::-1])
axes[0].set_title(image)
axes[1].imshow(blur_img[:, :, ::-1])
axes[1].set_title(blur_img)
plt.show()out 3.3.4 高斯滤波 cv2.GaussianBlur(src, ksize, sigmaX, sigmaY0, borderTypeBORDER_DEFAULT); src输入图像 ksize高斯卷积核的大小 sigmaX表示水平方向的标准差 sigmaY表示垂直方向的标准差默认为0表示于sigmaX相同 borderType边缘填充类型默认无填充 高斯滤波器卷积核里的数值满足高斯分布。
高斯滤波是一种线性平滑滤波适用于消除高斯噪声广泛应用于图像处理的减噪过程。通俗的讲高斯滤波就是对整幅图像进行加权平均的过程每一个像素点的值都由其本身和领域内的其他像素值经过加权平均后得到。
import cv2 as cv
import matplotlib.pyplot as pltimg cv.imread(rC:\Users\13966\Desktop\Test03.jpg)
blur_img cv.GaussianBlur(img, (3, 3), 1)
fig, axes plt.subplots(nrows1, ncols2)
axes[0].imshow(img[:, :, ::-1])
axes[0].set_title(image)
axes[1].imshow(blur_img[:, :, ::-1])
axes[1].set_title(blur_img)
plt.show()out 3.3.5 中值滤波
中值滤波是效果最好的滤波器它是这么做的。用一个n×nn一般为奇数的卷积核去扫描一副图像在卷积核每一次覆盖到的位置中将里面所有的数字从小到大排列后取中位数用中位数替换卷积核所在位置的中间值。如下图所示 import cv2 as cv
import matplotlib.pyplot as pltimg cv.imread(rC:\Users\13966\Desktop\Test03.jpg)
blur_img cv.medianBlur(img, 5)
fig, axes plt.subplots(nrows1, ncols2)
axes[0].imshow(img[:, :, ::-1])
axes[0].set_title(image)
axes[1].imshow(blur_img[:, :, ::-1])
axes[1].set_title(blur_img)
plt.show()out 3.3.6 小结
图像处理中常用的滤波算法有均值滤波、中值滤波以及高斯滤波等。
两种噪声
噪声说明椒盐噪声图像中随机出现的白点或者黑点高斯噪声噪声的概率分布是正态分布
三种滤波器的对比
滤波器种类基本原理特点均值滤波使用模板内所有像素的平均值代替模板中心像素灰度值算法简单计算速度快易收到噪声的干扰不能完全消除噪声只能相对减弱噪声中值滤波计算模板内所有像素中的中值并用所计算出来的中值体改模板中心像素的灰度值对噪声不是那么敏感能够较好的消除椒盐噪声但是容易导致图像的不连续性高斯滤波对图像邻域内像素进行平滑时邻域内不同位置的像素被赋予不同的权值对图像进行平滑的同时同时能够更多的保留图像的总体灰度分布特征对于高斯噪声处理效果很好
我不是很建议你在初次学习的时候深究这些滤波器背后的数学原理因为对于数学基础不好的人来说一旦陷进去对自己的打击很大。
3.4 形态学操作
形态学转换是基于图像形状的一些简单操作它通常在二进制图像上执行。腐蚀和膨胀是两个基本的形态学运算符他也有一些变体形式如开运算、闭运算、礼帽黑帽等。
3.4.1 连通性
3.4.1.1 邻接
在图像中最小的单位是像素每个像素周围有8个邻接像素。常见的邻接关系有3种4邻接、8邻接和D邻接。 其中我们用N4(p)N_4(p)N4(p)表示像素p的4邻接同理ND(p)N_D(p)ND(p),N8(p)N_8(p)N8(p)。
3.4.1.2 连通
连通性是描述区域和边界的重要概念两个像素连通的两个必要条件是
两个像素的位置是否相邻两个像素的灰度值是否满足特定的相似性准则
连通也分三种即4连通、8连通和m连通。
4连通对于具有值V的像素p和q如果q在集合N4(p)N_4(p)N4(p)中则称这两个像素是4连通。8连通对于具有值V的像素p和q如果q在集合N8(p)N_8(p)N8(p)中则称这两个像素是8连通。 m连通m连通就是同时满足4连通和D连通即为m连通。 3.4.2 腐蚀和膨胀
腐蚀和膨胀是最基本的形态学操作其都是针对白色部分而言。换而言之就是对高亮区域的扩大与缩小。
3.4.2.1 腐蚀
腐蚀的具体操作是用一个结构元素扫描图像中的每一个元素用结构元素中的每一个元素与其覆盖的像素做“与”操作如果都为1则该像素为1否则为0。如下图所示结构A被结构B我们暂且看做是卷积核腐蚀后 腐蚀的作用就是消除物体边界点使目标缩小其可以消除小于结构元素的噪声点。通俗来说就是让白色部分变小。 cv.erode(src,kernel,iterationsborderType,bordervalue) src要处理的图像kernel核结构iterations腐蚀次数默认为1borderType填充类型bordervalue填充值 import cv2 as cv
import matplotlib.pyplot as plt
import numpy as npimg cv.imread(rC:\Users\13966\Desktop\Test03.jpg)
kernel np.ones((5, 5))
new_img cv.erode(img, kernel)
fig, axes plt.subplots(nrows1, ncols2)
axes[0].imshow(img[:, :, ::-1])
axes[0].set_title(image)
axes[1].imshow(new_img[:, :, ::-1])
axes[1].set_title(new_img)
plt.show()out 3.4.2.2 膨胀
膨胀的具体操作是用一个结构元素扫描图像中的每一个元素用结构元素中的每一个元素与其覆盖的像素做“与”操作如果都为0则该像素为0否则为1。其原理和腐蚀很像的我就不画图了太累了。通俗来讲膨胀实际上就是扩大白色部分。 cv.dilate(src,kernel,iterationsborderType,bordervalue) src要处理的图像kernel核结构iterations腐蚀次数默认为1borderType填充类型bordervalue填充值 import cv2 as cv
import matplotlib.pyplot as plt
import numpy as npimg cv.imread(rC:\Users\13966\Desktop\Test03.jpg)
kernel np.ones((5, 5))
new_img cv.dilate(img, kernel)
fig, axes plt.subplots(nrows1, ncols2)
axes[0].imshow(img[:, :, ::-1])
axes[0].set_title(image)
axes[1].imshow(new_img[:, :, ::-1])
axes[1].set_title(new_img)
plt.show()out 3.4.3 开闭运算
开运算和闭运算和按照一定的次序去进行腐蚀和膨胀但将原图开运算后是无法通过闭运算返回原图的。
开运算是先腐蚀后膨胀其作用是分离物体消除小区域。说成人话就是如果你的图像是全是黑的但是其中有一些白色的噪声点那么开运算可以使你的图片先去除白色噪声然后又恢复原来的图片这实际上是一个去除毛刺的操作闭运算是先膨胀后腐蚀其作用是消除/闭合物体里面的孔洞可以填充闭合区域。说成人话就是先膨胀让白色噪声变大后腐蚀白色噪声就无法消除了所以所得图片应该是和原图差不多的白色噪声或比原图还大的白色噪声。说了我们也听不太懂我们试着来处理一下。 cv.morphologyEx(src,op,kernel) src要处理的图像op处理的方式进行开运算则cv.MORPH_OPEN若进行闭运算则设为cv.MORPH_CLOSEKernel核结构 import cv2 as cv
import matplotlib.pyplot as plt
import numpy as npimg cv.imread(rC:\Users\13966\Desktop\Test01.jpg)
kernel np.ones((3, 3))
new_img cv.morphologyEx(img, cv.MORPH_OPEN, kernel)
fig, axes plt.subplots(nrows1, ncols2)
axes[0].imshow(img[:, :, ::-1])
axes[0].set_title(image)
axes[1].imshow(new_img[:, :, ::-1])
axes[1].set_title(new_img)
plt.show()有没有感觉这车子有点快跑出来的感觉。
import cv2 as cv
import matplotlib.pyplot as plt
import numpy as npimg cv.imread(rC:\Users\13966\Desktop\Test01.jpg)
kernel np.ones((3, 3))
new_img cv.morphologyEx(img, cv.MORPH_CLOSE, kernel)
fig, axes plt.subplots(nrows1, ncols2)
axes[0].imshow(img[:, :, ::-1])
axes[0].set_title(image)
axes[1].imshow(new_img[:, :, ::-1])
axes[1].set_title(new_img)
plt.show()3.4.4 黑帽和礼帽
礼帽运算实际上是原图像和开运算结果之差。
试想开运算实际上就是消除白色毛刺而原图像又带有刺你用带有刺的减去没带刺的得到的结果礼帽不就是只有刺的图了吗。
开运算虽然优化了图片但是放大了裂缝或者局部低亮度的区域因此从原图中减去开运算后的图得到的效果图突出了比原图轮廓周围的区域更明亮的区域且这一操作和选择的核的大小有关。
而黑帽运算实际上是闭运算和原图像之差。简单来说闭运算使得噪声变大或不变减去原图像得到的就是噪声的轮廓。
黑帽运算后的效果图突出了比原图轮廓周围的区域更暗的区域且这一操作和选择的核的大小有关。
黑帽运算用来分离比邻近点暗一些的斑块。
同样的黑帽运算和礼帽运算使用的是与开闭运算一样的API。 cv.morphologyEx(src,op,kernel) op部分选择MORPH_TOPHAT则为礼帽选择MORPH_BLACKHAT则为黑帽 import cv2 as cv
import matplotlib.pyplot as plt
import numpy as npimg cv.imread(rC:\Users\13966\Desktop\Test01.jpg)
kernel np.ones((3, 3))
#new_img cv.morphologyEx(img, cv.MORPH_TOPHAT, kernel)
new_img cv.morphologyEx(img, cv.MORPH_BLACKHAT, kernel)
fig, axes plt.subplots(nrows1, ncols2)
axes[0].imshow(img[:, :, ::-1])
axes[0].set_title(image)
axes[1].imshow(new_img[:, :, ::-1])
axes[1].set_title(new_img)
plt.show()out 3.4.5 梯度
做一个梯度运算实际上就是先膨胀再拿原图膨胀的结果减去原图腐蚀的结果。膨胀扩大白色区域腐蚀缩小白色区域两个一做差那么得到的肯定是白色区域的轮廓。如下图所示 import cv2 as cv
import matplotlib.pyplot as plt
import numpy as npimg cv.imread(rC:\Users\13966\Desktop\Test04.jpg)
kernel np.ones((3, 3))
new_img cv.morphologyEx(img, cv.MORPH_GRADIENT, kernel)
fig, axes plt.subplots(nrows1, ncols2)
axes[0].imshow(img[:, :, ::-1])
axes[0].set_title(image)
axes[1].imshow(new_img[:, :, ::-1])
axes[1].set_title(new_img)
plt.show()3.5 图像梯度处理
3.5.1 Sobel算子 如上图我们如果在图中画一根红线红线的左右有梯度吗明显地这里我们讲的梯度可以用一个更简单的词来代替即色差。可以看出这条红线左右是不存在梯度的。
那我们不禁想问哪里有梯度呢当然是这个白圈的边缘了。
在形态学操作中我们似乎都是用一个核去扫描图像在这里我们同样这么做。我们可以用以下的卷积核去检测区域的左右边缘。 Gx[−101−202−101]∗AG_x \left[\begin{array}{cc}-101\\ -202\\ -101\end{array}\right]*A Gx⎣⎡−1−2−1000121⎦⎤∗A 我们可以用以下的卷积核去检测区域的上下边缘。 Gy[−1−2−1000121]∗AG_y \left[\begin{array}{cc}-1-2-1\\ 000\\ 121\end{array}\right]*A Gy⎣⎡−101−202−101⎦⎤∗A 我们把以上两个卷积核叫做Sobel算子矩阵其用于增强边缘的差异。当检测目标区域边缘时我们可以用对应的核与目标区域做互相关运算。拿GxG_xGx来说其计算的结果我们可以看成是0列左右的差异值即看成是梯度。
说完原理让我们看一下在OpenCV中如何使用Sobel算子。 dst cv2.Sobel(src,ddepth,dx,dy,ksize) ddeph图像深度dx和dy分别表示水平和竖直方向ksize是Sobel算子的大小 import cv2
import cv2 as cv
import matplotlib.pyplot as pltimg cv.imread(rC:\Users\13966\Desktop\Test04.jpg)
new_img cv.Sobel(img, cv2.CV_64F, 1, 0, ksize3)
fig, axes plt.subplots(nrows1, ncols2)
axes[0].imshow(img[:, :, ::-1])
axes[0].set_title(image)
axes[1].imshow(new_img[:, :, ::-1])
axes[1].set_title(new_img)
plt.show()out 从指定参数和输出结果来看由于在sobel中我们指定参数dy 0dx 1说明使用上述Sobel算子矩阵GxG_xGx。此矩阵右边为正左边为负。在图像中看往左半边圆圈为白(255)方框为黑(0)则结果Sobel运算后得出结果为正数所以得出的图像左半圈留白明显。其他情况也可按照上述推导过程推出结果这里不过多赘述。
在Sobel运算中白到黑是正数黑到白是负数而负数会被截断成0所以通常我们要取绝对值。
import cv2
import cv2 as cv
import matplotlib.pyplot as plt
import numpy as npimg cv.imread(rC:\Users\13966\Desktop\Test04.jpg)
# kernel np.ones((3, 3))
new_img cv.Sobel(img, cv2.CV_64F, 1, 0, ksize3)
new_img cv2.convertScaleAbs(new_img)
fig, axes plt.subplots(nrows1, ncols2)
axes[0].imshow(img[:, :, ::-1])
axes[0].set_title(image)
axes[1].imshow(new_img[:, :, ::-1])
axes[1].set_title(new_img)
plt.show()out 当你想要同时检测左右边缘和上下边缘时同时对参数dx和dy设为1未尝不可但是由于dx设为1时上下会黑dy设为1时左右会黑当同时开启时可以会导致上下左右都会黑而不会出现完美检测轮廓的效果。如下图所示
import cv2
import cv2 as cv
import matplotlib.pyplot as pltimg cv.imread(rC:\Users\13966\Desktop\Test04.jpg)
new_img cv.Sobel(img, cv2.CV_64F, 1, 1, ksize3)
fig, axes plt.subplots(nrows1, ncols2)
axes[0].imshow(img[:, :, ::-1])
axes[0].set_title(image)
axes[1].imshow(new_img[:, :, ::-1])
axes[1].set_title(new_img)
plt.show()
out 为此我们可以分别求解GxG_xGx和GyG_yGy然后将两者用图像混合操作按比例混合即可。如下所示
import cv2
import cv2 as cv
import matplotlib.pyplot as plt
import numpy as npimg cv.imread(rC:\Users\13966\Desktop\Test04.jpg)
new_img_x cv.Sobel(img, cv2.CV_64F, 1, 0, ksize3)
new_img_y cv.Sobel(img, cv2.CV_64F, 0, 1, ksize3)
new_img cv.addWeighted(new_img_x, 0.5, new_img_y, 0.5, 0)
fig, axes plt.subplots(nrows1, ncols2)
axes[0].imshow(img[:, :, ::-1])
axes[0].set_title(image)
axes[1].imshow(new_img[:, :, ::-1])
axes[1].set_title(new_img)
plt.show()out 上面的图片似乎不是很能看出效果我们用另外一张图片来看看效果
import cv2
import cv2 as cv
import matplotlib.pyplot as plt
import matplotlibmatplotlib.rcParams[font.family]SimHeiimg cv.imread(rC:\Users\13966\Desktop\Test02.jpg)
new_img cv.Sobel(img, cv2.CV_64F, 1, 1, ksize3)
new_img_x cv.Sobel(img, cv2.CV_64F, 1, 0, ksize3)
new_img_y cv.Sobel(img, cv2.CV_64F, 0, 1, ksize3)
new_img1 cv.addWeighted(new_img_x, 0.5, new_img_y, 0.5, 0)
fig, axes plt.subplots(nrows1, ncols3)
axes[0].imshow(img[:, :, ::-1])
axes[0].set_title(原图)
axes[1].imshow(new_img[:, :, ::-1])
axes[1].set_title(指定参数效果)
axes[2].imshow(new_img1[:, :, ::-1])
axes[2].set_title(混合效果)
plt.show()out 3.5.2 Scharr算子
Scharr算子与Sobel算子类似只不过它对于边缘的检测效果会放大。 Gx[−303−10010−303]∗AG_x \left[\begin{array}{cc}-303\\ -10010\\ -303\end{array}\right]*A Gx⎣⎡−3−10−30003103⎦⎤∗A
Gy[−3−10−3000−3−10−3]∗AG_y \left[\begin{array}{cc}-3-10-3\\ 000\\ -3-10-3\end{array}\right]*A Gy⎣⎡−30−3−100−10−30−3⎦⎤∗A
我们来看看它对于图片的处理效果
import cv2
import cv2 as cv
import matplotlib.pyplot as plt
import matplotlibmatplotlib.rcParams[font.family] SimHeiimg cv.imread(rC:\Users\13966\Desktop\Test02.jpg)
new_img_x cv.Scharr(img, cv2.CV_64F, 1, 0)
new_img_y cv.Scharr(img, cv2.CV_64F, 0, 1)
new_img cv.addWeighted(new_img_x, 0.5, new_img_y, 0.5, 0)
fig, axes plt.subplots(nrows1, ncols2)
axes[0].imshow(img[:, :, ::-1])
axes[0].set_title(原图)
axes[1].imshow(new_img[:, :, ::-1])
axes[1].set_title(Scharr算子效果)
plt.show()out 3.5.3 laplacian算子
laplacian算子和上述两个算子不同其由二阶导组成对于一些边缘十分敏感这虽然能够提高精度但是却易受噪点影响。 G[0131−41010]G \left[\begin{array}{cc}013\\ 1-41\\ 010\end{array}\right] G⎣⎡0101−41310⎦⎤ 对于拉普拉斯算子其由于是二阶导所以不必在添加dx和dy参数。如下所示
import cv2
import cv2 as cv
import matplotlib.pyplot as plt
import matplotlibmatplotlib.rcParams[font.family] SimHeiimg cv.imread(rC:\Users\13966\Desktop\Test02.jpg)
new_img cv.Laplacian(img, cv2.CV_64F)
fig, axes plt.subplots(nrows1, ncols2)
axes[0].imshow(img[:, :, ::-1])
axes[0].set_title(原图)
axes[1].imshow(new_img[:, :, ::-1])
axes[1].set_title(拉普拉斯算子效果)
plt.show()out
