动漫网站开发设计思想,手机有些网站打不开怎么解决,怎么查看网站的pv uv,最新网络游戏排行榜2021前十名图像梯度是指图像某像素在x和y两个方向上的变化率#xff08;与相邻像素比较#xff09;#xff0c;是一个二维向量#xff0c;由2个分量组成#xff0c;X轴的变化、Y轴的变化 。 其中X轴的变化是指当前像素右侧#xff08;X加1#xff09;的像素值减去当前像素左侧与相邻像素比较是一个二维向量由2个分量组成X轴的变化、Y轴的变化 。 其中X轴的变化是指当前像素右侧X加1的像素值减去当前像素左侧X减1的像素值。 同理Y轴的变化是当前像素下方Y加1的像素值减去当前像素上方Y减1的像素值。
其实Sobel算子求梯度也是分为x轴方向和y轴方向说白了就是将一个卷积核进行上下左右划分x轴方向上就是右➖左y轴方向上就是下➖上
cv2.Sobel(img,cv2.CV_64F,1,0,ksize 3) 第一个参数当前的图像对象名称 第二个参数当前图像的深度通常情况下指定为-1表示输出和输入的深度是一样的cv2.CV_64F可以存6字节的大小为了方便后面的取绝对值操作 第三个参数是否算X轴的水平方向若为1表示计算X轴方向若为0表示不计算X轴方向 第四个参数是否算Y轴的竖直方向若为1表示计算Y轴方向若为0表示不计算Y轴方向 第五个参数ksize指定的卷积核是多大的通常情况下都是奇数大小例如3×3的卷积核
import cv2
import numpy as npdef show_photo(name,picture):cv2.imshow(name,picture)cv2.waitKey(0)cv2.destroyAllWindows()#原图
img cv2.imread(E:\Jupyter_workspace\study\data/pie.png,cv2.IMREAD_GRAYSCALE)
show_photo(img,img)#x轴方向
sobelx cv2.Sobel(img,cv2.CV_64F,1,0,ksize 3)#这里的CV_64F可以存储的位数很多以便于后续的取绝对值操作
show_photo(sobelx,sobelx)
#由于右减左下减上原则
#原图左部分右为圈内白色左为圈外黑色白-黑结果为正显示
#原图右部分右为圈外黑色左为圈内白色黑-白结果为负不显示#y轴方向
sobely cv2.Sobel(img,cv2.CV_64F,0,1,ksize 3)#这里的CV_64F可以存储的位数很多以便于后续的取绝对值操作
show_photo(sobely,sobely)
#由于右减左下减上原则
#原图下部分下为圈内白色上为圈外黑色白-黑结果为正显示
#原图上部分下为圈外黑色上为圈内白色黑-白结果为负不显示
原图
白到黑是正数黑到白是负数所有的负数都被截断为0(显示黑色)也就是只显示一半的轮廓
x轴方向取梯度 y轴方向取梯度
故此时需要进行绝对值操作为了将两边的轮廓都显示出来
import cv2
import numpy as npdef show_photo(name,picture):#显示图像函数cv2.imshow(name,picture)cv2.waitKey(0)cv2.destroyAllWindows()#原图
img cv2.imread(E:\Jupyter_workspace\study\data/pie.png,cv2.IMREAD_GRAYSCALE)
show_photo(img,img)#x轴方向取绝对值
sobelx cv2.Sobel(img,cv2.CV_64F,1,0,ksize 3)
sobelx cv2.convertScaleAbs(sobelx)#取绝对值
show_photo(sobelx,sobelx)#y轴方向取绝对值
sobely cv2.Sobel(img,cv2.CV_64F,0,1,ksize 3)
sobely cv2.convertScaleAbs(sobely)#取绝对值
show_photo(sobely,sobely)#分别计算x和y再求和
sobelxy cv2.addWeighted(sobelx,0.5,sobely,0.5,0)#进行加权后相加最好一个参数表示偏移量一般默认为0
show_photo(sobelxy,sobelxy)#### 不建议直接计算最后的效果并不是特别好
#### 需要求梯度的时候分别计算然后求和效果会好些
sobelxy cv2.Sobel(img,cv2.CV_64F,1,1,ksize 3)
sobelxy cv2.convertScaleAbs(sobelxy)
show_photo(sobelxy,sobelxy)原图 x轴方向取绝对值 y轴方向取绝对值 分别计算x和y再求和 直接计算 不建议直接计算最后的效果并不是特别好 需要求梯度的时候分别计算然后求和效果会好些
换一张照片来进行梯度操作效果更明显
import cv2
import numpy as npdef show_photo(name,picture):#显示图像函数cv2.imshow(name,picture)cv2.waitKey(0)cv2.destroyAllWindows()img cv2.imread(E:\Jupyter_workspace\study\data/test1.png,cv2.IMREAD_GRAYSCALE)
show_photo(img,img)#显示原图sobelx cv2.Sobel(img,cv2.CV_64F,1,0,ksize 3)#求X轴方向梯度
sobelx cv2.convertScaleAbs(sobelx)#取绝对值
sobely cv2.Sobel(img,cv2.CV_64F,0,1,ksize 3)#求Y轴方向梯度
sobely cv2.convertScaleAbs(sobely)#取绝对值
sobelxy cv2.addWeighted(sobelx,0.5,sobely,0.5,0)#加权相加
show_photo(sobelxy,sobelxy)#显示整体梯度后的效果img cv2.imread(E:\Jupyter_workspace\study\data/test1.png,cv2.IMREAD_GRAYSCALE)
sobelxy cv2.Sobel(img,cv2.CV_64F,1,1,ksize 3)#X轴和Y轴同时求方向梯度
sobelxy cv2.convertScaleAbs(sobelxy)
show_photo(sobelxy,sobelxy)原图 分别对X轴方向求梯度和Y轴方向求梯度然后加权求和 对X轴方向和Y轴方向同时求梯度
总结对X轴和Y轴分别计算其梯度然后加权求和效果会好些
