机器视觉学习-day12-图像梯度处理及图像边缘检测

理想情况下图像的数据组成也应该可以进行微分的，因此存在x轴和y轴的梯度，需要同时考虑两个方向。

图像在计算机中是以离散的像素点分布的，因此使用的差分。

代码运行步骤：图片输入→梯度处理方式→图片输入

1.1 边缘计算 Filter2D

梯度计算的目的是为了寻找图像的边缘，因此把寻找图像边缘的计算称为边缘计算，梯度计算也是通过卷积核实现的。下面的是一个常用于边缘计算的卷积核：

上述数学式是由此化简得到的：1*30+（-1）*10+2*31+（-2）*11+1-32+（-1）*12

同理，改变卷积核形态，可以把图像的水平边缘提取，进行垂直梯度的计算：

import cv2
import numpy as npif __name__ == '__main__':# 1.图片输入：image_np = cv2.imread('1.jpg')# 2.梯度计算方式# 构建卷积核kernel = np.array([[-1, -2, -1],[0, 0, 0],[1, 2, 1]],dtype=np.float32)"""创建一个3×3的卷积核（滤波器）这是一个垂直方向的Sobel算子，用于检测图像中的垂直边缘dtype=np.float32指定数据类型为32位浮点数，避免计算时溢出""""""检测图像中的水平边缘# 构建卷积核kernel = np.array([[-1, -2, -1],[0, 0, 0],[1, 2, 1]],dtype=np.float32)kernel_transposed = kernel.T（矩阵转置为水平卷积核）"""print(kernel)  # 打印卷积核的值，便于调试和验证dst_image = cv2.filter2D(image_np,  # 原图-1,  # 输出图像深度（-1表示与输入相同）kernel  # 卷积核)"""使用filter2D函数对图像进行卷积操作卷积过程：将核在图像上滑动，计算每个位置的加权和这个过程会增强图像中的垂直边缘特征"""cv2.imshow('dst_image', dst_image)cv2.waitKey(0)cv2.imwrite('Filter2D.png', dst_image)

运行结果：Filter2D.png

1.2 Sobel算子

原始图像同上：1.jpg

import cv2if __name__ == '__main__':# 1. 图片输入image_np = cv2.imread('1.jpg')# 2. 梯度计算方式# Sobel算子必须基于灰度图image_np_gray = cv2.cvtColor(image_np, cv2.COLOR_BGR2GRAY)# Sobel变换dst_image = cv2.Sobel(image_np_gray,  # 灰度图-1,  # 位深度1,  # dx1,  # dyksize=5)# 3. 图片输出cv2.imshow('dst_image', dst_image)cv2.waitKey(0)cv2.imwrite('Sobel.png', dst_image)

import cv2
import numpy as npif __name__ == '__main__':# 1. 图片输入image_np = cv2.imread('shudu.png')# 2. 梯度计算方式# Sobel算子必须基于灰度图image_np_gray = cv2.cvtColor(image_np, cv2.COLOR_BGR2GRAY)# Sobel变换dst_image = cv2.Sobel(image_np_gray,  # 灰度图cv2.CV_16S,  # 有符号16位深度，以便于存储梯度计算的范围1,  # dx1,  # dyksize=5)print(dst_image)# 给梯度取绝对值，绝对值本身可以反应梯度的变换率dst_image = np.abs(dst_image)print(dst_image)# 找到梯度(灰度)的最大值max_gray = np.max(dst_image)print(max_gray)  # 1136# 归一化dst_image = (dst_image / max_gray) * 255print(dst_image)print(dst_image.dtype)  # 还是小数# 转换为8位无符号整数dst_image = dst_image.astype(np.uint8)# 3. 图片输出cv2.imshow('dst_image', dst_image)cv2.waitKey(0)

import cv2if __name__ == '__main__':# 1. 图片输入image_np = cv2.imread('1.jpg')# 2. 梯度计算方式# 拉普拉斯dst_image = cv2.Laplacian(image_np,  # 原图-1  # 位深度)# 3. 图片输出cv2.imshow('dst_image', dst_image)cv2.waitKey(0)cv2.imwrite('Laplacin.png',dst_image)