機器學習進階-圖像梯度運算-Sobel算子 1. cv2.Sobel(使用Sobel算子進行計算) 2. cv2.convertScalerAbs(將像素點進行絕對值的計算)

1.cv2.Sobel(src, ddepth, dx, dy, ksize)  進行sobel算子計算

參數說明：src表示當前圖片，ddepth表示圖片深度，這裏使用cv2.CV_64F使得結果能夠是負值， dx表示x軸方向，dy表示y軸方向, ksize表示移動方框的大小

2.cv2.convertScalerAbs(src)  將像素點進行絕對值計算

參數說明: src表示當前圖片

sobel算子：分爲x軸方向和y軸方向上的，x軸方向上的算子如圖中的Gx，將sober算子在圖中進行平移，當前位置的像素值等於sobel算子與(當前位置與周邊位置8個點)進行對應位置相乘並相加操做，做爲當前位置的像素點，y軸方向的算子如Gy， 對於x軸方向上，即左右兩邊的比較，

計算方程爲：x軸： p3 - p1 + 2 * p6 - 2 * p4 + p9 - p7， 右邊的像素值減去左邊的像素值

 

代碼：

第一步：載入原始圖片

第二步：使用cv2.Sobel(src, cv2.CV_64F, 1, 0, ksize=3)  對x軸方向進行sobel算子相乘操做

第三步：因爲會出現負值的狀況，所以使用cv2.convertScalerAbs() 轉換爲絕對值的形式

第四步：計算y軸方向上的sobel算子

第五步：使用cv2.addWeighted 將x軸方向的sobel算子的結果和y軸方向上的sobel算子的結果結合

第六步：使用cv2.Sobel(src, cv2.CV_64F, 1, 1, ksize=3) 直接得到x軸和y軸方向上的sobel算子結合

第七步：對這兩個步驟得到的sobel算子做圖

import cv2 import numpy as np # 第一步：加載圖片
img = cv2.imread('pie.png') cv2.imshow('original', img) cv2.waitKey(0) cv2.destroyAllWindows()

# 第二步：對x軸方向上進行sobel算子相乘操做
x_sobel = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=3) cv2.imshow('x_sobel', x_sobel) cv2.waitKey(0) cv2.destroyAllWindows()

畫圖時的負值，使用0來進行表示，所以右側是黑色的

# 第三步：由於右側像素減去左邊像素，存在負值的狀況，所以使用cv2.convertScaleAbs取絕對值操做
x_sobel = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=3) x_sobel = cv2.convertScaleAbs(x_sobel) cv2.imshow('x_sobel', x_sobel) cv2.waitKey(0) cv2.destroyAllWindows()

# 第四步：計算y軸的sobel算子
y_sobel = cv2.Sobel(img, cv2.CV_64F, 0, 1, ksize=3) y_sobel = cv2.convertScaleAbs(y_sobel) cv2.imshow('y_sobel', y_sobel) cv2.waitKey(0) cv2.destroyAllWindows()

# 第五步:並使用cv2.addweighted進行合併
xy_sobel = cv2.addWeighted(x_sobel, 0.5, y_sobel, 0.5, 0) # 第六步： 直接使用cv2.sobel 進行計算
xy_sobel_direct = cv2.Sobel(img, cv2.CV_64F, 1, 1, ksize=3) # 第七步：畫圖比較分步合併和一步到位的結果差別
cv2.imshow('imgs', np.hstack((xy_sobel, xy_sobel_direct))) cv2.waitKey(0) cv2.destroyAllWindows()

從圖中咱們能夠看出x和y軸各自求，再作合併比直接求得的結果，輪廓更加的明顯