Python OpenCV 365 天學習計劃纺棺，與橡皮擦一起進入圖像領域吧。本篇博客是這個系列的第 46 篇邪狞。
該系列文章導航參考：https://blog.csdn.net/hihell/category_10688961.html

基礎知識鋪墊

關于 Sobel 算子祷蝌、Scharr 算子、laplacian 算子在 這篇博客 中已經(jīng)學習過了帆卓，第二次學習巨朦，可以針對算子卷積核進行一下稍微深入一點的理解。

Sobel 算子

使用該函數(shù)時剑令，卷積核在 X 方向為： 糊啡，在 Y 方向為

上述卷積核時一個 3x3 的矩陣，當其與一個圖像進行卷積計算的時候吁津，如果覆蓋的矩陣是

計算之后會得到如下結(jié)果 棚蓄，結(jié)果越大，差異越明顯碍脏，還有為什么在 與 點梭依，卷積核的值大，簡單理解就是這個點距離中心點近典尾。

先寫一段測試代碼如下：

import cv2 as cv
import numpy as np


src = cv.imread('./star.png')

gray = cv.cvtColor(src, cv.COLOR_BGR2GRAY)

ret, thresh = cv.threshold(gray, 127, 255, cv.THRESH_BINARY_INV)

# Sobel 算子計算邊緣
sobel_x = cv.Sobel(thresh, -1, 1, 0, ksize=3)

image = np.hstack((gray, thresh, sobel_x))
cv.imshow("image", image)
cv.waitKey()

運行結(jié)果如下：

2021022118251629[1].png

最后一幅圖片獲取到的是圖形的左側(cè)役拴，原因是這樣導致的。
Sobel 在計算的是時候是右側(cè)減左側(cè)钾埂、下面減上面河闰，查看二值化圖形會發(fā)現(xiàn)，右側(cè)減左側(cè)會得到左側(cè)邊緣的原因是勃教，圖形左側(cè)的邊緣兩邊淤击，右側(cè)是白色 255，左側(cè)是黑色 0故源，所以可以得到邊緣，相同的方式汞贸，在圖形右側(cè)邊緣部分绳军，兩邊分別是右側(cè)黑色印机、左側(cè)白色，所以邊緣缺失门驾。

如果希望右側(cè)邊緣也同時出現(xiàn)射赛，需要用到下述函數(shù)，將得到的負值獲取絕對值奶是。

另一處代碼修改的地方在代碼注釋部分：

# Sobel 算子計算邊緣
# 注意計算 sobel_x 的函數(shù)傳遞參數(shù)的時候楣责，第二個參數(shù)從 -1 修改為 cv.CV_64F，目的是為了獲取到負值聂沙，方便后面的獲取絕對值操作秆麸。
sobel_x = cv.Sobel(thresh, cv.CV_64F, 1, 0, ksize=3)
sobel_x = cv.convertScaleAbs(sobel_x)
image = np.hstack((gray, thresh, sobel_x))

Python OpenCV Sobel 算子、Scharr 算子及汉、laplacian 算子 復盤學習

上述代碼計算的是 X 方向的邊緣沮趣，同理計算一下 Y 方向的邊緣，在合并 X 與 Y 方向的邊緣坷随，即可得到最后的圖像邊緣房铭。

Python OpenCV Sobel 算子、Scharr 算子温眉、laplacian 算子 復盤學習

import cv2 as cv
import numpy as np


src = cv.imread('./star.png')

gray = cv.cvtColor(src, cv.COLOR_BGR2GRAY)

ret, thresh = cv.threshold(gray, 127, 255, cv.THRESH_BINARY_INV)

# Sobel 算子計算邊緣
sobel_x = cv.Sobel(thresh, cv.CV_64F, 1, 0, ksize=3)
sobel_y = cv.Sobel(thresh, cv.CV_64F, 0, 1, ksize=3)
sobel_x = cv.convertScaleAbs(sobel_x)
sobel_y = cv.convertScaleAbs(sobel_y)
sobel_xy = cv.addWeighted(sobel_x, 0.5, sobel_y, 0.5, 0)
image = np.hstack((gray, sobel_xy, sobel_x, sobel_y))
cv.imshow("image", image)
cv.waitKey()

合并之后運行結(jié)果如下缸匪，一般不建議直接計算 X 和 Y 方向的 Sobel，而應該分別計算之后再進行合并类溢。

20210221183355115[1].png

可以對比一下分開計算再合并與直接計算的效果差異凌蔬。

20210221183811420[1].png

上述圖片是由下面的代碼運行得到的結(jié)果

import cv2 as cv
import numpy as np


src = cv.imread('./t3.jpg')

gray = cv.cvtColor(src, cv.COLOR_BGR2GRAY)

ret, thresh = cv.threshold(gray, 127, 255, cv.THRESH_BINARY_INV)

# Sobel 算子分開計算
sobel_x = cv.Sobel(thresh, cv.CV_64F, 1, 0, ksize=3)
sobel_y = cv.Sobel(thresh, cv.CV_64F, 0, 1, ksize=3)
sobel_x = cv.convertScaleAbs(sobel_x)
sobel_y = cv.convertScaleAbs(sobel_y)
sobel_xy = cv.addWeighted(sobel_x, 0.5, sobel_y, 0.5, 0)

# 直接計算
sobel_xy1 = cv.Sobel(thresh, cv.CV_64F, 1, 1, ksize=3)
sobel_xy1 = cv.convertScaleAbs(sobel_xy1)
image = np.hstack((gray, sobel_xy, sobel_xy1))
cv.imshow("image", image)
cv.waitKey(0)

Scharr 算子

該算子有著比 Sobel 更好的精確度，主要因為它的卷積核是下面的數(shù)據(jù)


使用的時候依舊是分開計算

import cv2 as cv
import numpy as np


src = cv.imread('./t3.jpg')

gray = cv.cvtColor(src, cv.COLOR_BGR2GRAY)

ret, thresh = cv.threshold(gray, 127, 255, cv.THRESH_BINARY_INV)

# Scharr 算子分開計算
scharr_x = cv.Scharr(thresh, cv.CV_64F, 1, 0)
scharr_y = cv.Scharr(thresh, cv.CV_64F, 0, 1)
scharr_x = cv.convertScaleAbs(scharr_x)
scharr_y = cv.convertScaleAbs(scharr_y)
scharr_xy = cv.addWeighted(scharr_x, 0.5, scharr_y, 0.5, 0)


image = np.hstack((gray, scharr_xy))
cv.imshow("image", image)
cv.waitKey(0)

20210221193236592[1].png

laplacian 算子

概算子的卷積核如下：

laplacian 算子噪點敏感豌骏，在使用的時候需要提前去噪龟梦。

橡皮擦的小節(jié)

希望今天的 1 個小時你有所收獲，我們下篇博客見~

相關閱讀

技術專欄

1. Python 爬蟲 100 例教程窃躲，超棒的爬蟲教程计贰，立即訂閱吧
2. Python 爬蟲小課，精彩 9 講