本篇内容介绍了“Python边缘检测之prewitt,sobel和laplace算子怎么写”的有关知识,在实际案例的操作过程中,不少人都会遇到这样的困境,接下来就让小编带领大家学习一下如何处理这些情况吧!希望大家仔细阅读,能够学有所成!
滤波算子简介
ndimage中提供了卷积算法,并且建立在卷积之上,提供了三种边缘检测的滤波方案:prewitt, sobel以及laplace。
在convolve中列举了一个用于边缘检测的滤波算子,统一维度后,其x xx和y yy向的梯度算子分别写为
此即
prewitt算子。
Sobel算子为Prewitt增添了中心值的权重,记为
这两种边缘检测算子,均适用于某一个方向,ndimage还提供了lapace算子,其本质是二阶微分算子,其3×3卷积模板可表示为
具体实现
ndimage封装的这三种卷积滤波算法,定义如下
prewitt(input, axis=-1, output=None, mode='reflect', cval=0.0) sobel(input, axis=-1, output=None, mode='reflect', cval=0.0) laplace(input, output=None, mode='reflect', cval=0.0)
其中,
mode表示卷积过程中对边缘效应的弥补方案,设待滤波数组为
a b c d,则在不同的模式下,对边缘进行如下填充
左侧填充 | 数据 | 右侧填充 | |
---|---|---|---|
reflect | d c b a | a b c d | d c b a |
constant | k k k k | a b c d | k k k k |
nearest | a a a a | a b c d | d d d d |
mirror | d c b | a b c d | c b a |
wrap | a b c d | a b c d | a b c d |
测试
接下来测试一下
from scipy.ndimage import prewitt, sobel, laplace from scipy.misc import ascent import matplotlib.pyplot as plt img = ascent() dct = { "origin" : lambda img:img, "prewitt" : prewitt, "sobel" : sobel, "laplace" : lambda img : abs(laplace(img)) } fig = plt.figure() for i,key in enumerate(dct): ax = fig.add_subplot(2,2,i+1) ax.imshow(dct[key](img), cmap=plt.cm.gray) plt.ylabel(key) plt.show()
为了看上去更加简洁,代码中将原图、prewitt滤波、sobel滤波以及laplace滤波封装在了一个字典中。其中
origin表示原始图像,对应的函数是一个
lambda表达式。
在绘图时,通过将
cmap映射到
plt.cm.gray,使得绘图之后表现为灰度图像。
效果如下