说明
1、Sobel算子根据像素点的上下、左右相邻点的灰度加权差,在边缘达到极值的现象来检测边缘。
它具有平滑的噪声功能,并提供更准确的边缘方向信息。由于Sobel算子结合了高斯平滑度和微分求导(分化),因此结果会更具抗噪性,当对精度要求不高时,Sobel算子是一种常用的边缘检测方法。
2、Sobel算子仍然是过滤器,但它有方向。
dst=cv2.Sobel(src,ddepth,dx,dy[,dst[,ksize[,scale[,delta[,borderType]]]]])
实例
#coding=utf-8 importcv2 importnumpyasnp img=cv2.imread("D:/test/26.png",0) ''' 在Sobel函数的第二个参数这里使用了cv2.CV_16S。 因为OpenCV文档中对Sobel算子的介绍中有这么一句: “inthecaseof8-bitinputimagesitwillresultintruncatedderivatives”。 即Sobel函数求完导数后会有负值,还有会大于255的值。 而原图像是uint8,即8位无符号数,所以Sobel建立的图像位数不够,会有截断。 因此要使用16位有符号的数据类型,即cv2.CV_16S。 在经过处理后,别忘了用convertScaleAbs()函数将其转回原来的uint8形式。 否则将无法显示图像,而只是一副灰色的窗口。convertScaleAbs()的原型为: dst=cv2.convertScaleAbs(src[,dst[,alpha[,beta]]]) 其中可选参数alpha是伸缩系数,beta是加到结果上的一个值。结果返回uint8类型的图片。 由于Sobel算子是在两个方向计算的,最后还需要用cv2.addWeighted(...)函数将其组合起来。 其函数原型为: dst=cv2.addWeighted(src1,alpha,src2,beta,gamma[,dst[,dtype]]) 其中alpha是第一幅图片中元素的权重,beta是第二个的权重,gamma是加到最后结果上的一个值。 ''' x=cv2.Sobel(img,cv2.CV_16S,1,0) y=cv2.Sobel(img,cv2.CV_16S,0,1) absX=cv2.convertScaleAbs(x)#转回uint8 absY=cv2.convertScaleAbs(y) dst=cv2.addWeighted(absX,0.5,absY,0.5,0) cv2.imshow("orign",img) cv2.imshow("absX",absX) cv2.imshow("absY",absY) cv2.imshow("Result",dst) cv2.waitKey(0) cv2.destroyAllWindows()
以上就是python中Sobel算子的使用,希望对大家有所帮助。更多Python学习指路:Python基础教程
声明:本站所有文章,如无特殊说明或标注,均为本站原创发布。任何个人或组织,在未征得本站同意时,禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益,可联系我们进行处理。
评论(0)