Python边缘检测之prewitt,sobel和laplace算子详解
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
到此这篇关于python边缘检测之prewitt,sobel和laplace算子详解的文章就介绍到这了,更多相关Python边缘检测内容请搜索以前的文章或继续浏览下面的相关文章希望大家以后多多支持!
相关文章