这篇文章主要介绍了opencv python图像梯度实例详解,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下

一阶导数与Soble算子

二阶导数与拉普拉斯算子

图像边缘：

Soble算子：

二阶导数：

拉普拉斯算子：

import cv2 as cv

import numpy as np

# 图像梯度(由x,y方向上的偏导数和偏移构成)，有一阶导数(sobel算子)和二阶导数(Laplace算子)

# 用于求解图像边缘，一阶的极大值，二阶的零点

# 一阶偏导在图像中为一阶差分，再变成算子(即权值)与图像像素值乘积相加，二阶同理

def sobel_demo(image):

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

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

gradx = cv.convertScaleAbs(grad_x) # 由于算完的图像有正有负，所以对其取绝对值

grady = cv.convertScaleAbs(grad_y)

# 计算两个图像的权值和，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): # 二阶导数，边缘更细

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

lpls = cv.convertScaleAbs(dst)

cv.imshow("laplace_demo", lpls)

def custom_laplace(image):

# 以下算子与上面的Laplace_demo()是一样的，增强采用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) # 等有键输入或者1000ms后自动将窗口消除，0表示只用键输入结束窗口

cv.destroyAllWindows() # 关闭所有窗口

if __name__ == '__main__':

main()

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持我们。

本文标题: opencv python图像梯度实例详解

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