|
OpenCV 是一个跨平台的计算机视觉库, 支持多语言, 功能强大. 今天小白就带大家一起携手走进 OpenCV 的世界. Scharr 算子Scharr 算子和 Sobel 算子基本一样. 只是卷积核系数不同. Scharr 算子对边界更加敏感, 也更容易误判. 卷积核参数:
例子: # Scharr 算子
scharr_x = cv2.Scharr(img, cv2.CV_64F, 1, 0)
scharr_y = cv2.Scharr(img, cv2.CV_64F, 0, 1)取绝对值scharr_x = cv2.convertScaleAbs(scharr_x)
scharr_y = cv2.convertScaleAbs(scharr_y) 融合scharr_xy = cv2.addWeighted(scharr_x, 0.5, scharr_y, 0.5, 0) 展示图片cv2.imshow('scharr_xy', scharr_xy)
cv2.waitKey(0)
cv2.destroyAllWindows()
输出结果:
Laplacian 算子拉普拉斯算子 (Laplacian) 是图像二阶空间导数的二维向同性测度. 拉普拉斯算子可以突出图像中强度发生快速变化的区域, 因此常用在边缘检测任务当中. 
在进行 Laplacian 操作之前通常需要先用高斯平滑滤波器 (Gaussian Blur) 降低 Laplacian 算子对于噪声的敏感性.
卷积核参数:
例子: # 读取图片, 并准换成灰度图
img = cv2.imread('Mona_Lisa.jpg', cv2.IMREAD_GRAYSCALE)高斯滤波器 (3 X 3)img = cv2.GaussianBlur(img, (3, 3), sigmaX=0.1) Laplacian 算子laplacian = cv2.Laplacian(img, cv2.CV_64F) 取绝对值laplacian = cv2.convertScaleAbs(laplacian) 展示图片cv2.imshow('laplacian', laplacian)
cv2.waitKey(0)
cv2.destroyAllWindows()
输出结果: 
注: Sigma 值越小, 模板的中心系数就越大, 周围的系数较小, 平滑的效果就不是很明显. Sobel vs Scharr vs Laplacian
Canny 边缘检测Canny 边缘检测是非常流行的一种边缘检测算法, 由 John Canny 在 1986 年提出. 步骤: 使用高斯滤波器, 平滑图像, 消除噪声 计算图像中每个像素点的梯度强度和方向 使用没极大值抑制 (Non-Maximum Suppression) 消除边缘检测带来的杂散响应 使用双阈值检测 (Double Threshold) 来确定真实和潜在的边缘 通过抑制孤立的弱边缘最终完成边缘检测
高斯滤波器
梯度和方向
非极大值抑制
双阈值检测
例子# 读取图片, 并转换成灰度图
img = cv2.imread('Mona_Lisa.jpg', cv2.IMREAD_GRAYSCALE)Canny边缘检测out1 = cv2.Canny(img, 50, 150)
out2 = cv2.Canny(img, 100, 150) 合并canny = np.hstack((out1, out2)) 展示图片cv2.imshow('canny', canny)
cv2.waitKey(0)
cv2.destroyAllWindows()
输出结果:
原文：https://blog.csdn.net/weixin_46274168/article/details/118887396?utm_medium=distribute.pc_feed_v2.none-task-blog-yuanlijihua_tag_v1-1.pc_personrecdepth_1-utm_source=distribute.pc_feed_v2.none-task-blog-yuanlijihua_tag_v1-1.pc_personrec
|
