Python OpenCV Sobel 算子、Scharr 算子、laplacian 算子復盤學習-有解無憂

Python OpenCV 365 天學習計劃，與橡皮擦一起進入影像領域吧，本篇博客是這個系列的第 46 篇，
該系列文章導航參考：https://blog.csdn.net/hihell/category_10688961.html

Python OpenCV

- 基礎知識鋪墊
- - Sobel 算子
  - Scharr 算子
  - laplacian 算子
- 橡皮擦的小節

基礎知識鋪墊

關于 Sobel 算子、Scharr 算子、laplacian 算子在這篇博客中已經學習過了，第二次學習，可以針對算子卷積核進行一下稍微深入一點的理解，

Sobel 算子

使用該函式時，卷積核在 X 方向為： [ ? 1 0 + 1 ? 2 0 + 2 ? 1 0 + 1 ] \begin{bmatrix} -1&0&+1\\ -2&0&+2\\-1&0&+1 \end{bmatrix} ????1?2?1?000?+1+2+1????，在 Y 方向為 [ ? 1 ? 2 ? 1 0 0 0 + 1 + 2 + 1 ] \begin{bmatrix} -1&-2&-1\\ 0&0&0\\+1&+2&+1 \end{bmatrix} ????10+1??20+2??10+1????

上述卷積核時一個 3x3 的矩陣，當其與一個影像進行卷積計算的時候，如果覆寫的矩陣是 [ p 1 p 2 p 3 p 4 p 5 p 6 p 7 p 8 p 9 ] \begin{bmatrix} p_1&p_2&p_3\\ p_4&p_5&p_6\\p_7&p_8&p_9 \end{bmatrix} ???p1?p4?p7??p2?p5?p8??p3?p6?p9?????

計算之后會得到如下結果 p 3 ? p 1 + p 6 ? p 4 + p 9 ? p 7 p_3-p_1+p_6-p_4+p_9-p_7 p3??p1?+p6??p4?+p9??p7? ，結果越大，差異越明顯，還有為什么在 p 4 p_4 p4? 與 p 6 p_6 p6? 點，卷積核的值大，簡單理解就是這個點距離中心點近，

先寫一段測驗代碼如下：

import cv2 as cv
import numpy as np


src = cv.imread('./star.png')

gray = cv.cvtColor(src, cv.COLOR_BGR2GRAY)

ret, thresh = cv.threshold(gray, 127, 255, cv.THRESH_BINARY_INV)

# Sobel 算子計算邊緣
sobel_x = cv.Sobel(thresh, -1, 1, 0, ksize=3)

image = np.hstack((gray, thresh, sobel_x))
cv.imshow("image", image)
cv.waitKey()

運行結果如下：
Python OpenCV Sobel 算子、Scharr 算子、laplacian 算子復盤學習
最后一幅圖片獲取到的是圖形的左側，原因是這樣導致的，
Sobel 在計算的是時候是右側減左側、下面減上面，查看二值化圖形會發現，右側減左側會得到左側邊緣的原因是，圖形左側的邊緣兩邊，右側是白色 255，左側是黑色 0，所以可以得到邊緣，相同的方式，在圖形右側邊緣部分，兩邊分別是右側黑色、左側白色，所以邊緣缺失，

如果希望右側邊緣也同時出現，需要用到下述函式，將得到的負值獲取絕對值，

另一處代碼修改的地方在代碼注釋部分：

# Sobel 算子計算邊緣
# 注意計算 sobel_x 的函式傳遞引數的時候，第二個引數從 -1 修改為 cv.CV_64F，目的是為了獲取到負值，方便后面的獲取絕對值操作，
sobel_x = cv.Sobel(thresh, cv.CV_64F, 1, 0, ksize=3)
sobel_x = cv.convertScaleAbs(sobel_x)
image = np.hstack((gray, thresh, sobel_x))

Python OpenCV Sobel 算子、Scharr 算子、laplacian 算子復盤學習
上述代碼計算的是 X 方向的邊緣，同理計算一下 Y 方向的邊緣，在合并 X 與 Y 方向的邊緣，即可得到最后的影像邊緣，

Python OpenCV Sobel 算子、Scharr 算子、laplacian 算子復盤學習

import cv2 as cv
import numpy as np


src = cv.imread('./star.png')

gray = cv.cvtColor(src, cv.COLOR_BGR2GRAY)

ret, thresh = cv.threshold(gray, 127, 255, cv.THRESH_BINARY_INV)

# Sobel 算子計算邊緣
sobel_x = cv.Sobel(thresh, cv.CV_64F, 1, 0, ksize=3)
sobel_y = cv.Sobel(thresh, cv.CV_64F, 0, 1, ksize=3)
sobel_x = cv.convertScaleAbs(sobel_x)
sobel_y = cv.convertScaleAbs(sobel_y)
sobel_xy = cv.addWeighted(sobel_x, 0.5, sobel_y, 0.5, 0)
image = np.hstack((gray, sobel_xy, sobel_x, sobel_y))
cv.imshow("image", image)
cv.waitKey()

合并之后運行結果如下，一般不建議直接計算 X 和 Y 方向的 Sobel，而應該分別計算之后再進行合并，
Python OpenCV Sobel 算子、Scharr 算子、laplacian 算子復盤學習
可以對比一下分開計算再合并與直接計算的效果差異，

Python OpenCV Sobel 算子、Scharr 算子、laplacian 算子復盤學習
上述圖片是由下面的代碼運行得到的結果

import cv2 as cv
import numpy as np


src = cv.imread('./t3.jpg')

gray = cv.cvtColor(src, cv.COLOR_BGR2GRAY)

ret, thresh = cv.threshold(gray, 127, 255, cv.THRESH_BINARY_INV)

# Sobel 算子分開計算
sobel_x = cv.Sobel(thresh, cv.CV_64F, 1, 0, ksize=3)
sobel_y = cv.Sobel(thresh, cv.CV_64F, 0, 1, ksize=3)
sobel_x = cv.convertScaleAbs(sobel_x)
sobel_y = cv.convertScaleAbs(sobel_y)
sobel_xy = cv.addWeighted(sobel_x, 0.5, sobel_y, 0.5, 0)

# 直接計算
sobel_xy1 = cv.Sobel(thresh, cv.CV_64F, 1, 1, ksize=3)
sobel_xy1 = cv.convertScaleAbs(sobel_xy1)
image = np.hstack((gray, sobel_xy, sobel_xy1))
cv.imshow("image", image)
cv.waitKey(0)

Scharr 算子

該算子有著比 Sobel 更好的精確度，主要因為它的卷積核是下面的資料
G x = [ ? 3 0 + 3 ? 10 0 + 10 ? 3 0 + 3 ] G_x =\begin{bmatrix}-3&0&+3\\ -10&0&+10\\-3&0&+3 \end{bmatrix} Gx?=????3?10?3?000?+3+10+3????
G y = [ ? 3 ? 10 ? 3 0 0 0 ? 3 ? 10 ? 3 ] G_y =\begin{bmatrix}-3&-10&-3\\ 0&0&0\\-3&-10&-3 \end{bmatrix} Gy?=????30?3??100?10??30?3????
使用的時候依舊是分開計算

import cv2 as cv
import numpy as np


src = cv.imread('./t3.jpg')

gray = cv.cvtColor(src, cv.COLOR_BGR2GRAY)

ret, thresh = cv.threshold(gray, 127, 255, cv.THRESH_BINARY_INV)

# Scharr 算子分開計算
scharr_x = cv.Scharr(thresh, cv.CV_64F, 1, 0)
scharr_y = cv.Scharr(thresh, cv.CV_64F, 0, 1)
scharr_x = cv.convertScaleAbs(scharr_x)
scharr_y = cv.convertScaleAbs(scharr_y)
scharr_xy = cv.addWeighted(scharr_x, 0.5, scharr_y, 0.5, 0)


image = np.hstack((gray, scharr_xy))
cv.imshow("image", image)
cv.waitKey(0)