這篇文章主要介紹了opencv python圖像梯度實(shí)例詳解,文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友可以參考下

一階導(dǎo)數(shù)與Soble算子

二階導(dǎo)數(shù)與拉普拉斯算子

圖像邊緣：

Soble算子：

二階導(dǎo)數(shù)：

拉普拉斯算子：

import cv2 as cv

import numpy as np

# 圖像梯度(由x,y方向上的偏導(dǎo)數(shù)和偏移構(gòu)成)，有一階導(dǎo)數(shù)(sobel算子)和二階導(dǎo)數(shù)(Laplace算子)

# 用于求解圖像邊緣，一階的極大值，二階的零點(diǎn)

# 一階偏導(dǎo)在圖像中為一階差分，再變成算子(即權(quán)值)與圖像像素值乘積相加，二階同理

def sobel_demo(image):

grad_x = cv.Sobel(image, cv.CV_32F, 1, 0) # 采用Scharr邊緣更突出

grad_y = cv.Sobel(image, cv.CV_32F, 0, 1)

gradx = cv.convertScaleAbs(grad_x) # 由于算完的圖像有正有負(fù)，所以對其取絕對值

grady = cv.convertScaleAbs(grad_y)

# 計算兩個圖像的權(quán)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): # 二階導(dǎo)數(shù)，邊緣更細(xì)

dst = cv.Laplacian(image,cv.CV_32F)

lpls = cv.convertScaleAbs(dst)

cv.imshow("laplace_demo", lpls)

def custom_laplace(image):

# 以下算子與上面的Laplace_demo()是一樣的，增強(qiáng)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) # 等有鍵輸入或者1000ms后自動將窗口消除，0表示只用鍵輸入結(jié)束窗口

cv.destroyAllWindows() # 關(guān)閉所有窗口

if __name__ == '__main__':

main()

以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持我們。

本文標(biāo)題: opencv python圖像梯度實(shí)例詳解

本文地址: http://www.cppcns.com/jiaoben/python/299473.html

總結(jié)

以上是生活随笔為你收集整理的python怎么计算图像梯度_opencv python图像梯度实例详解的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。