这篇文章主要介绍了opencv python图像梯度实例详解,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下
这篇文章主要介绍了opencv python图像梯度实例详解,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下
一阶导数与Soble算子
二阶导数与拉普拉斯算子
图像边缘：
Soble算子：
二阶导数：
拉普拉斯算子：
import cv2 as cv import numpy as np # 图像梯度（由x,y方向上的偏导数和偏移构成），有一阶导数（sobel算子）和二阶导数（Laplace算子） # 用于求解图像边缘，一阶的极大值，二阶的零点 # 一阶偏导在图像中为一阶差分，再变成算子（即权值）与图像像素值乘积相加，二阶同理 def sobel_demo(image): grad_x = cv.sobel(image, cv.CV_32F, 1, 0) # 采用Scharr边缘更突出 grad_y = cv.sobel(image, cv.CV_32F, 0, 1) gradx = cv.convertScaleAbs(grad_x) # 由于算完的图像有正有负，所以对其取绝对值 grady = cv.convertScaleAbs(grad_y) # 计算两个图像的权值和，dst = src1*alpha + src2*beta + gamma gradxy = cv.addWeighted(gradx, 0.5, grady, 0.5, 0) cv.imshow("gradx", gradx) cv.imshow("grady", grady) cv.imshow("gradient", gradxy) def laplace_demo(image): # 二阶导数，边缘更细 dst = cv.Laplacian(image,cv.CV_32F) lpls = cv.convertScaleAbs(dst) cv.imshow("laplace_demo", lpls) def custom_laplace(image): # 以下算子与上面的Laplace_demo()是一样的，增强采用np.array([[1, 1, 1], [1, -8, 1], [1, 1, 1]]) kernel = np.array([[1, 1, 1], [1, -8, 1], [1, 1, 1]]) dst = cv.filter2D(image, cv.CV_32F, kernel=kernel) lpls = cv.convertScaleAbs(dst) cv.imshow("custom_laplace", lpls) def main(): src = cv.imread("../images/lena.jpg") cv.imshow("lena",src) # sobel_demo(src) laplace_demo(src) custom_laplace(src) cv.waitKey(0) # 等有键输入或者1000ms后自动将窗口消除，0表示只用键输入结束窗口 cv.destroyAllWindows() # 关闭所有窗口 if __name__ == '__main__': main()
