計算機視覺之影象處理(4)【梯度與邊緣檢測】
import
cv2
import
matplotlib。pyplot
as
plt
import
numpy
as
np
#比較soble、scharr、laplacian運算元的梯度差異
#dst = cv2。Sobel（src， ddepth， dx， dy， ksize）
# ddepth：影象的深度
# dx和dy分別表示水平和豎直方向
# ksize是Sobel運算元的大小
#白到黑是正數，黑到白就是負數了，所有的負數會被截斷成0，所以要取絕對值
def
cv_operator
（）：
img
=
cv2
。
imread
（
‘。/img/lena。jpg’
，
cv2
。
IMREAD_GRAYSCALE
）
sobelx
=
cv2
。
Sobel
（
img
，
cv2
。
CV_64F
，
1
，
0
，
ksize
=
3
）
sobely
=
cv2
。
Sobel
（
img
，
cv2
。
CV_64F
，
0
，
1
，
ksize
=
3
）
sobelx
=
cv2
。
convertScaleAbs
（
sobelx
）
#右減左相減過程會出現負數 取絕對值防止截斷
sobely
=
cv2
。
convertScaleAbs
（
sobely
）
#左減右相減過程會出現負數 取絕對值防止截斷
sobelxy
=
cv2
。
addWeighted
（
sobelx
，
0。5
，
sobely
，
0。5
，
0
）
scharrx
=
cv2
。
Scharr
（
img
，
cv2
。
CV_64F
，
1
，
0
）
scharry
=
cv2
。
Scharr
（
img
，
cv2
。
CV_64F
，
0
，
1
）
scharrx
=
cv2
。
convertScaleAbs
（
scharrx
）
scharry
=
cv2
。
convertScaleAbs
（
scharry
）
scharrxy
=
cv2
。
addWeighted
（
scharrx
，
0。5
，
scharry
，
0。5
，
0
）
laplacian
=
cv2
。
Laplacian
（
img
，
cv2
。
CV_64F
）
laplacian
=
cv2
。
convertScaleAbs
（
laplacian
）
res
=
np
。
hstack
（（
sobelxy
，
scharrxy
，
laplacian
））
cv2
。
imshow
（
“res”
，
res
）
cv2
。
waitKey
（）
cv2
。
destroyAllWindows
（）
#cv_operator（）
#Canny邊緣檢測 minVal maxVal 梯度大於maxVal處理為邊界 梯度小於minVal不處理邊界
#梯度介於minVal和maxVal，若連有邊界（附近的點處理為邊界）處理為邊界
#minVal越小 畫面的細節捕捉的越豐富 maxVal亦如此
def
cv_canny
（）：
img
=
cv2
。
imread
（
“。/img/car。png”
，
cv2
。
IMREAD_GRAYSCALE
）
v1
=
cv2
。
Canny
（
img
，
150
，
100
）
v2
=
cv2
。
Canny
（
img
，
50
，
100
）
res
=
np
。
hstack
（（
v1
，
v2
））
cv2
。
imshow
（
“res”
，
res
）
cv2
。
waitKey
（）
cv2
。
destroyAllWindows
（）
#cv_canny（）
