+关注
已关注

分类  

暂无分类

标签  

暂无标签

日期归档  

2020-03(60)

2020-04(67)

2020-05(28)

2020-06(46)

2020-07(42)

OpenCV图像梯度

发布于2020-05-13 08:31     阅读(496)     评论(0)     点赞(29)     收藏(3)


0

1

2

3

4

5

6

7

实验目的

  • 使用三种梯度滤波器

三种梯度滤波:
Sobel高斯平滑与微分的结合体,坑噪音好。
Scharr 是对 Sobel使用小的卷积核求梯度角度的优化。
Laplacian 算子,调用二阶的Sobel
为什么要使用梯度滤波
轮廓边缘灰度变化明显些,层次感强些
原理参考:图像梯度的基本原理
在这里插入图片描述

代码实现


import cv2
import numpy as np
from matplotlib import pyplot as plt
img=cv2.imread('image1.jpg',0)
#cv2.CV_64F 输出图像的深度(数据类型)可以使用-1, 与原图像保持一致 np.uint8
laplacian=cv2.Laplacian(img,cv2.CV_64F)
# 参数 1,0 为只在 x 方向求一阶导数虽最大可以求 2 阶导数。
sobelx=cv2.Sobel(img,cv2.CV_64F,1,0,ksize=5) # 参数 0,1 为只在 y 方向求一俥导数虽最大可以求 2 俥导数。
sobely=cv2.Sobel(img,cv2.CV_64F,0,1,ksize=5)

plt.subplot(2,2,1),plt.imshow(img,cmap = 'gray')
plt.title('Original'), plt.xticks([]), plt.yticks([])
plt.subplot(2,2,2),plt.imshow(laplacian,cmap = 'gray')
plt.title('Laplacian'), plt.xticks([]), plt.yticks([])
plt.subplot(2,2,3),plt.imshow(sobelx,cmap = 'gray')
plt.title('Sobel X'), plt.xticks([]), plt.yticks([])
plt.subplot(2,2,4),plt.imshow(sobely,cmap = 'gray')
plt.title('Sobel Y'), plt.xticks([]), plt.yticks([])
plt.show()

在这里插入图片描述

原文链接:https://blog.csdn.net/milk_and_bread/article/details/106065400

0

1

2

3

4

5

6



所属网站分类: 技术文章 > 博客

作者:天青色等烟雨

链接: https://www.pythonheidong.com/blog/article/368535/4990b5f23c9765253f8d/

来源: python黑洞网

任何形式的转载都请注明出处,如有侵权 一经发现 必将追究其法律责任

29 0
收藏该文
已收藏

评论内容:(最多支持255个字符)