python编程-OpenCV(图像读写-图像处理-图像滤波-角点检测-边缘检测)边缘检测

news/2025/2/13 4:03:48/

OpenCV中边缘检测四种常用算子:

(1)Sobel算子
                Sobel算子是一种基于梯度的边缘检测算法。它通过对图像进行卷积操作来计算图像的梯度,并将梯度的大小作为边缘的强度。它使用两个3x3的卷积核,分别用于计算水平方向(Gx)和垂直方向(Gy)的梯度,通过对两个方向的梯度进行合并来得到最终的边缘图像。

python">import cv2image0 = cv2.imread('output.png')    # 读入图像
cv2.imshow('wino',image0)   # 展示原图像# 对x方向进行边缘检测,dx=1表示对x方向,dy=0表示不对y轴方向,参数-1表示输出图像将使用与输入图像相同的数据类型来存储像素值
# x方向的边缘
sobelx = cv2.Sobel(image0,-1,dx=1,dy=0)
cv2.imshow("win1",sobelx)# x方向的边缘,包括负数信息,因为图像的灰度值范围为0~255,负数展示不出来
# cv2.CV_64F表示将默认的uint8数据类型改为float64
sobelx64 = cv2.Sobel(image0,cv2.CV_64F,dx=1,dy=0)
cv2.imshow("win2",sobelx64)# x方向的边缘,包括负数信息, 使用convertScaleAbs将灰度值进行绝对值处理,负值信息即可显示
sobelxfull = cv2.convertScaleAbs(sobelx64)
cv2.imshow('win3',sobelxfull)# x方向不检测,y轴方向检测
sobely = cv2.Sobel(image0,-1,dx=0,dy=1)
cv2.imshow("win4",sobely)# y方向的边缘,包括负数信息
sobely64 = cv2.Sobel(image0,cv2.CV_64F,dx=0,dy=1)
sobelyfull = cv2.convertScaleAbs(sobely64)
cv2.imshow("win5",sobelyfull)# x和y方向进行加权处理
yuan_xy_full = cv2.addWeighted(sobelxfull,1,sobelyfull,1,0)
cv2.imshow('sobely',yuan_xy_full)
cv2.waitKey(0)

       (2)Scharr 算子
                Scharr算子是一种改进的Sobel算子,它使用更复杂的权重来提高梯度计算的精确度,尤其是在低对比度边缘上。与 Soble 的速度相同,且精度更高。Scharr 算子与 Sobel 算子的不同点是在平滑部分,其中心元素占的权重更重,相当于使用较小标准差的高斯函数,也就是更瘦高的模板。ksize参数表示卷积核的大小。它是一个正奇数,用于指定卷积核的尺寸。

python">import cv2
image0 = cv2.imread('output.png',cv2.IMREAD_GRAYSCALE)  # 导入图像灰度图形式
cv2.imshow('image0',image0)x64 = cv2.Scharr(image0,cv2.CV_64F,dx=1,dy=0)  # 对x方向进行处理,将数据类型保存并转换成浮点型
xfull = cv2.convertScaleAbs(x64)  # 转换为绝对值,负数转换为正数y64 = cv2.Scharr(image0,cv2.CV_64F,dx=0,dy=1)  # 对y轴方向进行处理
yfull = cv2.convertScaleAbs(y64)  # 绝对值处理xysobel = cv2.addWeighted(xfull,1,yfull,1,0)  # 加权处理
cv2.imshow('xy_Scharr',xysobel)
cv2.waitKey(0)

      (3)Canny边缘检测算法
                Canny算法是一种多阶段的边缘检测技术,以其高效性和准确度而受到广泛应用。它通过噪声滤波、梯度计算、非极大值抑制和双阈值等步骤来识别边缘。Canny算法能够提取高质量的边缘,并且对噪声有一定的抵抗能力。

  • 步骤

    1. 高斯滤波:使用高斯滤波器平滑图像以减少噪声。
    2. 梯度计算:使用Sobel算子计算梯度的强度和方向。
    3. 非极大值抑制:抑制非边缘的像素,仅保留局部最大值。
    4. 双阈值检测:应用高、低两个阈值以确定边缘。
    5. 边缘连接:通过连接在高阈值附近的低阈值像素来形成最终边缘。
  • 输出:生成清晰的边缘图。

   

python">import cv2
import numpy as npimage1 = cv2.imread('output.png',cv2.IMREAD_GRAYSCALE)
cv2.imshow('image1',image1)# 高斯平滑
blurred = cv2.GaussianBlur(image1, (5, 5), 1.5)# 参数:其后表示边缘检测的像素值低于100像素的被丢弃,高于150像素的被丢弃
image1_canny = cv2.Canny(image1,100,150)
cv2.imshow('canny',image1_canny)
cv2.waitKey(0)

   

(4)Laplacian算子
                Laplacian算子是一种基于二阶导数的边缘检测算法。它通过计算图像的二阶导数来查找图像中的边缘。Laplacian算子对于边缘的宽度和方向不敏感,因此可以检测出比较粗的边缘。它对噪声相对敏感,通常需要在使用前进行平滑处理。

使用拉普拉斯算子实现彩色浮雕效果

python">
import cv2
import numpy as np'''
使用拉普拉斯算子实现彩色浮雕效果原理
1灰度转换:首先,将彩色图像转换为灰度图像。范围通常为0到255。2灰度差异计算:
对于灰度图像中的每个像素,计算其与相邻像素的灰度差异。
这通常是通过将当前像素的灰度值与其相邻像素(如水平相邻、垂直相邻或对角线相邻)的灰度值进行相减来实现的。
这种差异反映了图像中的边缘和轮廓信息。3偏移调整:
将计算得到的灰度差异加上一个偏移值。这个偏移值用于控制浮雕效果的强度和方向。
通过调整偏移值,可以使浮雕效果更加明显或柔和。选择一个适当的偏移值(如128),这样可以使处理后的图像灰度值保持在合理的范围内。4灰度范围映射:
将计算得到的灰度值映射到合适的灰度范围(通常是0到255)。归一化。
这确保了浮雕效果的结果是一个合法的灰度图像。如果灰度值超出了这个范围,则需要进行裁剪或归一化处理。'''
def emboss_effect_laplacian(image):if image is None:print("Error: Unable to read image.")return# 消除小噪声denoise = cv2.medianBlur(image, 3)# 使用拉普拉斯算子计算二阶导数laplacian = cv2.Laplacian(denoise, cv2.CV_64F)# 将拉普拉斯的值放大来模拟光照效果emboss = cv2.convertScaleAbs(laplacian * 2 + 128)  # 偏移量128是为了使值分布更均匀return emboss
if __name__ == '__main__':original = cv2.imread("f:/apple.jpg", cv2.IMREAD_COLOR)emboss = emboss_effect_laplacian(original)result = np.concatenate((original, emboss), axis=1)# 显示原始图像和浮雕效果图像cv2.imshow('Original Image', original)cv2.imshow('Emboss Effect (Laplacian)', emboss)cv2.imwrite("emboss-result.jpg", result)cv2.waitKey(0)cv2.destroyAllWindows()


http://www.ppmy.cn/news/1564626.html

相关文章

redis做为缓存,mysql的数据如何与redis进行同步呢?

Redis作为缓存与MySQL之间的数据同步问题,特别是涉及到双写一致性(即缓存与数据库的写操作要保持一致)时,通常有两种常见的解决方案。它们分别适用于不同的一致性要求和延迟容忍度。以下是两种常见的解决方案的详细解释&#xff1…

与 Spring Boot 的无缝集成:ShardingSphere 快速集成实践

ShardingSphere 是一个轻量级的开源分布式数据库中间件,它支持分库分表、分布式事务、读写分离等功能。它能够与各种应用框架进行集成,其中与 Spring Boot 的集成非常流行,因为它能够帮助开发者在 Spring Boot 项目中快速实现高性能的分布式数…

【Azure 架构师学习笔记】- Azure Function (2) --实操1

本文属于【Azure 架构师学习笔记】系列。 本文属于【Azure Function 】系列。 接上文【Azure 架构师学习笔记】- Azure Function (1) --环境搭建和背景介绍 前言 上一文介绍了环境搭建,接下来就在本地环境下使用一下。 环境准备 这里我下载了最新的VS studio&…

鸿蒙动态路由实现方案

背景 随着CSDN 鸿蒙APP 业务功能的增加,以及为了与iOS、Android 端统一页面跳转路由,以及动态下发路由链接,路由重定向等功能。鸿蒙动态路由方案的实现迫在眉睫。 实现方案 鸿蒙版本动态路由的实现原理,类似于 iOS与Android的实…

C++中.h文件中的实现方法

在 C 中,.h 文件和 Java 中的接口有一些相似之处,但它们的作用和用法还是有很大区别。具体来说,.h 文件通常用于声明,但也可以包含一些实现,特别是在某些特殊情况下。 1. C .h 文件的基本用途 C 的头文件&#xff08…

Postman环境变量全局变量设置

在公司中,一般会存在开发环境、测试环境、线上环境等,如果需要在不 同的环境下切换做接口测试,显然我们需要把所有接口的域名进行修改,如果接 口测试用例较多,那么修改会非常费力,postman可直接通过切换环境…

mac 安装mongodb

本文分享2种mac本地安装mongodb的方法,一种是通过homebrew安装,一种是通过tar包安装 homebrew安装 brew tap mongodb/brew brew upate brew install mongodb-community8.0tar包安装 安装mongodb 1.下载mongodb社区版的tar包 mongdb tar包下载地址 2…

VIVADO FIFO (同步和异步) IP 核详细使用配置步骤

VIVADO FIFO (同步和异步) IP 核详细使用配置步骤 目录 前言 一、同步FIFO的使用 1、配置 2、仿真 二、异步FIFO的使用 1、配置 2、仿真 前言 在系统设计中,利用FIFO(first in first out)进行数据处理是再普遍不过的应用了&#xff0c…