OpenCV-Python教程（6、Sobel算子）

本篇文章介紹如何用OpenCV-Python來使用Sobel算子。

提示：

• 轉載請詳細注明原作者及出處，謝謝！
  
• 本文介紹使用OpenCV-Python實現基本的濾波處理
• 本文不介詳細的理論知識，讀者可從其他資料中獲取相應的背景知識。筆者推薦清華大學出版社的《圖像處理與計算機視覺算法及應用(第2版) 》。

Sobel算子

原型

Sobel算子依然是一種過濾器，只是其是帶有方向的。在OpenCV-Python中，使用Sobel的算子的函數原型如下：

[python]?view plaincopy

dst?=?cv2.Sobel(src,?ddepth,?dx,?dy[,?dst[,?ksize[,?scale[,?delta[,?borderType]]]]])??

函數返回其處理結果。

前四個是必須的參數：

• 第一個參數是需要處理的圖像；
• 第二個參數是圖像的深度，-1表示采用的是與原圖像相同的深度。目標圖像的深度必須大于等于原圖像的深度；
• dx和dy表示的是求導的階數，0表示這個方向上沒有求導，一般為0、1、2。

其后是可選的參數：

• dst不用解釋了；
• ksize是Sobel算子的大小，必須為1、3、5、7。
• scale是縮放導數的比例常數，默認情況下沒有伸縮系數；
• delta是一個可選的增量，將會加到最終的dst中，同樣，默認情況下沒有額外的值加到dst中；
• borderType是判斷圖像邊界的模式。這個參數默認值為cv2.BORDER_DEFAULT。

使用

在OpenCV-Python中，Sobel函數的使用如下：

[python]?view plaincopy

#coding=utf-8??

import?cv2??

import?numpy?as?np????

??

img?=?cv2.imread("D:/lion.jpg",?0)??

??

x?=?cv2.Sobel(img,cv2.CV_16S,1,0)??

y?=?cv2.Sobel(img,cv2.CV_16S,0,1)??

??

absX?=?cv2.convertScaleAbs(x)???#?轉回uint8??

absY?=?cv2.convertScaleAbs(y)??

??

dst?=?cv2.addWeighted(absX,0.5,absY,0.5,0)??

??

cv2.imshow("absX",?absX)??

cv2.imshow("absY",?absY)??

??

cv2.imshow("Result",?dst)??

??

cv2.waitKey(0)??

cv2.destroyAllWindows()???

解釋

在Sobel函數的第二個參數這里使用了cv2.CV_16S。因為OpenCV文檔中對Sobel算子的介紹中有這么一句：“in the case of 8-bit input images it will result in truncated derivatives”。即Sobel函數求完導數后會有負值，還有會大于255的值。而原圖像是uint8，即8位無符號數，所以Sobel建立的圖像位數不夠，會有截斷。因此要使用16位有符號的數據類型，即cv2.CV_16S。

在經過處理后，別忘了用convertScaleAbs()函數將其轉回原來的uint8形式。否則將無法顯示圖像，而只是一副灰色的窗口。convertScaleAbs()的原型為：

[python]?view plaincopy

dst?=?cv2.convertScaleAbs(src[,?dst[,?alpha[,?beta]]])??

其中可選參數alpha是伸縮系數，beta是加到結果上的一個值。結果返回uint8類型的圖片。

由于Sobel算子是在兩個方向計算的，最后還需要用cv2.addWeighted(...)函數將其組合起來。其函數原型為：

[python]?view plaincopy

dst?=?cv2.addWeighted(src1,?alpha,?src2,?beta,?gamma[,?dst[,?dtype]])??

其中alpha是第一幅圖片中元素的權重，beta是第二個的權重，gamma是加到最后結果上的一個值。

結果

原圖像為：

結果為：

參考資料：

1、《Opencv2 Computer Vision Application Programming Cookbook》

2、《OpenCV References Manule》

OpenCV-Python教程（7、Laplacian算子）

本篇文章介紹如何用OpenCV-Python來使用Laplacian算子。

提示：

• 轉載請詳細注明原作者及出處，謝謝！
  
• 本文介紹使用在OpenCV-Python中使用Laplacian函數
• 本文不介詳細的理論知識，讀者可從其他資料中獲取相應的背景知識。筆者推薦清華大學出版社的《圖像處理與計算機視覺算法及應用(第2版) 》。

Laplacian算子

圖像中的邊緣區域，像素值會發生“跳躍”，對這些像素求導，在其一階導數在邊緣位置為極值，這就是Sobel算子使用的原理——極值處就是邊緣。如下圖（下圖來自OpenCV官方文檔）：

如果對像素值求二階導數，會發現邊緣處的導數值為0。如下（下圖來自OpenCV官方文檔）：

Laplace函數實現的方法是先用Sobel 算子計算二階x和y導數，再求和：（CSDN，你打水印，讓我的公式怎么辦？）

函數原型

在OpenCV-Python中，Laplace算子的函數原型如下：

[python]?view plaincopy

dst?=?cv2.Laplacian(src,?ddepth[,?dst[,?ksize[,?scale[,?delta[,?borderType]]]]])??

如果看了上一篇Sobel算子的介紹，這里的參數應該不難理解。

前兩個是必須的參數：

• 第一個參數是需要處理的圖像；
• 第二個參數是圖像的深度，-1表示采用的是與原圖像相同的深度。目標圖像的深度必須大于等于原圖像的深度；

其后是可選的參數：

• dst不用解釋了；
• ksize是算子的大小，必須為1、3、5、7。默認為1。
• scale是縮放導數的比例常數，默認情況下沒有伸縮系數；
• delta是一個可選的增量，將會加到最終的dst中，同樣，默認情況下沒有額外的值加到dst中；
• borderType是判斷圖像邊界的模式。這個參數默認值為cv2.BORDER_DEFAULT。

使用

這里還是以Sobel一文中的石獅作為測試圖像，下面是測試代碼：

[python]?view plaincopy

#coding=utf-8??

import?cv2??

import?numpy?as?np????

??

img?=?cv2.imread("D:/lion.jpg",?0)??

??

gray_lap?=?cv2.Laplacian(img,cv2.CV_16S,ksize?=?3)??

dst?=?cv2.convertScaleAbs(gray_lap)??

??

cv2.imshow('laplacian',dst)??

cv2.waitKey(0)??

cv2.destroyAllWindows()??

為了讓結果更清晰，這里的ksize設為3，效果圖如下：

有點像粉筆畫，是吧。這是因為原圖像未經過去噪就直接處理了。可以通過濾波一文中，使用低通濾波一節中高斯模糊來先處理一下再用拉普拉斯函數。

參考資料：

1、《Opencv2 Computer Vision Application Programming Cookbook》

2、《OpenCV References Manule》

OpenCV-Python教程（8、Canny邊緣檢測Sobel算子）

本篇文章介紹如何用OpenCV-Python來使用Canny算子。

提示：

• 轉載請詳細注明原作者及出處，謝謝！
  
• 本文介紹使用OpenCV-Python實現基本的濾波處理
• 本文不介詳細的理論知識，讀者可從其他資料中獲取相應的背景知識。筆者推薦清華大學出版社的《圖像處理與計算機視覺算法及應用(第2版) 》。

原型

OpenCV-Python中Canny函數的原型為：

[python]?view plaincopy

edge?=?cv2.Canny(image,?threshold1,?threshold2[,?edges[,?apertureSize[,?L2gradient?]]])???

必要參數：

• 第一個參數是需要處理的原圖像，該圖像必須為單通道的灰度圖；
• 第二個參數是閾值1；
• 第三個參數是閾值2。

其中較大的閾值2用于檢測圖像中明顯的邊緣，但一般情況下檢測的效果不會那么完美，邊緣檢測出來是斷斷續續的。所以這時候用較小的第一個閾值用于將這些間斷的邊緣連接起來。

可選參數中apertureSize就是Sobel算子的大小。而L2gradient參數是一個布爾值，如果為真，則使用更精確的L2范數進行計算（即兩個方向的倒數的平方和再開放），否則使用L1范數（直接將兩個方向導數的絕對值相加）。

具體的算法可參見清華大學出版社的《圖像處理與計算機視覺算法及應用(第2版) 》第二章，其中有Canny算法的詳細描述及實現。

函數返回一副二值圖，其中包含檢測出的邊緣。

使用

Canny函數的使用很簡單，只需指定最大和最小閾值即可。如下：

[python]?view plaincopy

#coding=utf-8??

import?cv2??

import?numpy?as?np????

??

img?=?cv2.imread("D:/lion.jpg",?0)??

??

img?=?cv2.GaussianBlur(img,(3,3),0)??

canny?=?cv2.Canny(img,?50,?150)??

??

cv2.imshow('Canny',?canny)??

cv2.waitKey(0)??

cv2.destroyAllWindows()??

首先，由于Canny只能處理灰度圖，所以將讀取的圖像轉成灰度圖。

用高斯平滑處理原圖像降噪。

調用Canny函數，指定最大和最小閾值，其中apertureSize默認為3。

處理結果如下：

更多

這個程序只是靜態的，在github上有一個可以在運行時調整閾值大小的程序。其代碼如下：

[python]?view plaincopy

import?cv2??

import?numpy?as?np??

??

def?CannyThreshold(lowThreshold):??

????detected_edges?=?cv2.GaussianBlur(gray,(3,3),0)??

????detected_edges?=?cv2.Canny(detected_edges,lowThreshold,lowThreshold*ratio,apertureSize?=?kernel_size)??

????dst?=?cv2.bitwise_and(img,img,mask?=?detected_edges)??#?just?add?some?colours?to?edges?from?original?image.??

????cv2.imshow('canny?demo',dst)??

??

lowThreshold?=?0??

max_lowThreshold?=?100??

ratio?=?3??

kernel_size?=?3??

??

img?=?cv2.imread('D:/lion.jpg')??

gray?=?cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)??

??

cv2.namedWindow('canny?demo')??

??

cv2.createTrackbar('Min?threshold','canny?demo',lowThreshold,?max_lowThreshold,?CannyThreshold)??

??

CannyThreshold(0)??#?initialization??

if?cv2.waitKey(0)?==?27:??

????cv2.destroyAllWindows()??

原地址 在此 ，其中還有其他的初級圖像處理的代碼，大伙可以去看看。后續文章將介紹更多的OpenCV的函數使用，以及視頻的處理。

參考資料：

1、《Opencv2 Computer Vision Application Programming Cookbook》

2、《OpenCV References Manule》

from: http://blog.csdn.net/sunny2038/article/category/904451

總結

以上是生活随笔為你收集整理的OpenCV-Python教程（6）（7）（8）： Sobel算子 Laplacian算子 Canny边缘检测的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。