标签：plt partial img 梯度 cv2 图像处理 pmatrix 计算 算子
1.概述
2.Laplacian算子
下面我们用最后得出梯度的幅值为\(G(x,y) = \sqrt{ \left(g_{x}^2 +g_{y}^2\right)}\)方向为: \(\theta = \arctan{\frac{g_{y}}{g_{x}}}\)现在我们用程序来实现这个过程。
拉普拉斯算子，在数学上的表达式为：
\[L(x,y) = \frac{\partial f(x)}{\partial x^{(2)}} + \frac{\partial f(y)}{\partial y^{(2)}} \]这个是对图像\(x\)和\(y\)方向两次求导，然后相加。我门先看\(x\)方向的一阶导数，\(g_{x} = f(x,y) - f(x-1,y)\)，再对以一阶导数求导便是二阶导数,最终结果为：
\[g_{xx} = g_{x}(x+1) - g_{x}(x) = f(x+1,y)-f(x,y) - (f(x,y) - f(x-1,y)) = f(x+1,y) - 2*f(x,y) +f(x-1,y) \]最后同理可得：
\[g_{yy} = f(x,y+1) - 2*f(x,y) +f(x,y -1) \]最后可得：
\[L(x,y) = \frac{\partial f(x)}{\partial x^{(2)}} + \frac{\partial f(y)}{\partial y^{(2)}} = f(x+1,y) - 4*f(x,y) +f(x-1,y) + f(x,y+1) +f(x,y -1) \]用3x的模板可以表示为：
\[\begin{array}{|c|c|c|} \hline 0& -1&0 \\ \hline -1& 4&-1 \\ \hline 0& -1&-0 \\ \hline \end{array} \]点击查看代码
import numpy as np
import cv2
import matplotlib.pyplot as plt
img = cv2.imread('lena.jpg', cv2.IMREAD_UNCHANGED)
img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
laplace = np.array([[0, -1, 0], [-1, 4, -1], [0, -1, 0]])
img_laplace = cv2.filter2D(img, -1, laplace)
img_opencv_laplacian = cv2.Laplacian(img, cv2.CV_64F, ksize=3)
plt.figure(figsize=(30, 10)) # 定义编号为1 大小为(8,5)
plt.subplot(1, 3, 1), plt.imshow(img, cmap='gray'), plt.title('source'), plt.xticks([]), plt.yticks([])
plt.subplot(1, 3, 2), plt.imshow(img_laplace, cmap='gray'), plt.title('Laplace by self code'), plt.xticks(
[]), plt.yticks([])
plt.subplot(1, 3, 3), plt.imshow(img_opencv_laplacian, cmap='gray'), plt.title('Laplace by Api'), plt.xticks(
[]), plt.yticks([])
plt.show()
这张图更加明显，拉普拉斯算子对差异较大的更加明显点，api感觉像是加上了一定偏移量
3.Sobel算子
\(\begin{pmatrix} -1 & 0 & 1\\ -2 & 0 & 2\\ -1 & 0 & 1\\ \end{pmatrix} \times \begin{pmatrix} P_1 & P_2 & P_3\\ P_4 & P_5 & P_6\\ P_7 & P_8 & P_9\\ \end{pmatrix}\)
\(P5点x方向的梯度为:P5_{x}=(P_3-P_2)+2(P_6-P_4)+(P_9-P_7)\)
\(同样，y方向的也是类型操作，是下减去上,\begin{pmatrix}
-1 & -2 & -1\\
0 & 0 & 0\\
1 & 2 & 1\\
\end{pmatrix}\)
\(若有操作0-255的，小于0的按0，大于255的按255\)
\(小于0的应该取绝对值，大于255的可按255算，见下面的 cv2.convertScaleAbs\)
总梯度
\(G=\sqrt{G_x^2+G_y^2},用的多的还是这个\)
简化版
\(G=|G_x|+|G_y|\)
点击查看代码
dst = cv2.Sobel(src,ddepth,dx,dy,[ksize])
ddepth: 不要取负数 cv2.CV_64F 扩展到负数，dst = cv2.convertScaleAbs(dst) 转为绝对值
ksize：核大小，必须是奇数
dx=1,dy=0:计算x轴方向，反之就是y方向
计算综合
用右边的，左边的边界不明显
不用手工计算，用api相加
dst=cv2.addWeighted
4.Scharr算子
为什么用scharr算子？
sobel算子不太精确
\(\begin{pmatrix}
-3 & 0 & 3\\
-10 & 0 & 10\\
-3 & 0 & 3\\
\end{pmatrix}\)
\(\begin{pmatrix} -3 & -10 & -3\\ 0 & 0 & 0\\ 3 & 10 & 3\\ \end{pmatrix}\)
两个算子运算强度一样
scharr算子更加精确,这是为什么呢？
注意opencv计算的过程中可能会出现负值，所以要对负值取绝对值
点击查看代码
dst = Scharr(src,cv2.CV_64F,dx,dy) # ddpeth不能用-1，默认8位的int如果是负数就强制变成0了，所以要用cv2.CV_64F 扩大范围，允许负数，然后用下面的函数转为绝对值
dst = cv2.convertScaleAbs(dst)
其他和Sobel算子一样
Scharr算子和Sobel算子的关系
Scharr算子和Sobel算子的比较
大小一样，故计算量一样。
scharr算子临近像素的权重更大，故精确度更高。
对比两种算子的处理效果。发现scharr算子能计算出更小的梯度变化
虽然网上是这么说的，但是个人感觉从下面的比较来看，Sobel算子对图像的分割更加明显，我个人理解泛化性能更好一些，感觉Scharr还是加入了一些细小的噪声
5.自定义卷积核
点击查看代码
import numpy as np
import cv2
import matplotlib.pyplot as plt
img = cv2.imread('lena1.tiff')
img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
g_x = np.array([[-1, 0, 1], [-1, 0, 1], [-1, 0, 1]])
g_y = np.array([[-1, -1, -1], [0, 0, 0], [1, 1, 1]])
img_g_x = cv2.filter2D(img, -1, g_x)
img_g_y = cv2.filter2D(img, -1, g_y)
img_graid = np.sqrt(img_g_x ** 2 + img_g_y ** 2)
plt.subplot(2, 3, 1), plt.imshow(img, cmap='gray'), plt.title('source'), plt.xticks([]), plt.yticks([])
plt.subplot(2, 3, 2), plt.imshow(img_g_x, cmap='gray'), plt.title('x gradient'), plt.xticks([]), plt.yticks([])
plt.subplot(2, 3, 3), plt.imshow(img_g_y, cmap='gray'), plt.title('y gradient'), plt.xticks([]), plt.yticks([])
plt.subplot(2, 3, 4), plt.imshow(img_graid, cmap='gray'), plt.title('gradient amplitude'), plt.xticks([]), plt.yticks(
[])
6.腐蚀+膨胀
腐蚀+膨胀 也能算出梯度，但是不精准
标签：plt,partial,img,梯度,cv2,图像处理,pmatrix,计算,算子 来源： https://www.cnblogs.com/boyknight/p/15969663.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。