濾波算子簡介

ndimage中提供了卷積算法，并且建立在卷積之上，提供了三種邊緣檢測的濾波方案：prewitt, sobel以及laplace。

在convolve中列舉了一個(gè)用于邊緣檢測的濾波算子，統(tǒng)一維度后，其$x$和$y$向的梯度算子分別寫為

[ ? 1 0 1 ? 1 0 1 ? 1 0 1 ] , [ ? 1 ? 1 ? 1 0 0 0 1 1 1 ] \begin{bmatrix} -1&0&1\\-1&0&1\\-1&0&1\\ \end{bmatrix}, \begin{bmatrix} -1&-1&-1\\0&0&0\\1&1&1\\ \end{bmatrix} ??1?1?1?000?111? ?, ??101??101??101? ?

此即prewitt算子。

Sobel算子為Prewitt增添了中心值的權(quán)重，記為

[ ? 1 0 1 ? 2 0 2 ? 1 0 1 ] , [ ? 1 ? 2 ? 1 0 0 0 1 2 1 ] \begin{bmatrix} -1&0&1\\-2&0&2\\-1&0&1\\ \end{bmatrix}, \begin{bmatrix} -1&-2&-1\\0&0&0\\1&2&1\\ \end{bmatrix} ??1?2?1?000?121? ?, ??101??202??101? ?

這兩種邊緣檢測算子，均適用于某一個(gè)方向，ndimage還提供了lapace算子，其本質(zhì)是二階微分算子，其$3\times 3$卷積模板可表示為

[ ? 1 1 ? 1 ? 1 ? 1 8 ? 1 ? 1 ? 1 ? 1 ] , \begin{bmatrix} -1&1-1&-1\\-1&8&-1\\-1&-1&-1\\ \end{bmatrix}, ??1?1?1?1?18?1??1?1?1? ?,

具體實(shí)現(xiàn)

ndimage封裝的這三種卷積濾波算法，定義如下

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表示卷積過程中對(duì)邊緣效應(yīng)的彌補(bǔ)方案，設(shè)待濾波數(shù)組為a b c d，則在不同的模式下，對(duì)邊緣進(jìn)行如下填充

測試

接下來測試一下

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()

為了看上去更加簡潔，代碼中將原圖、prewitt濾波、sobel濾波以及l(fā)aplace濾波封裝在了一個(gè)字典中。其中origin表示原始圖像，對(duì)應(yīng)的函數(shù)是一個(gè)lambda表達(dá)式。

在繪圖時(shí)，通過將cmap映射到plt.cm.gray，使得繪圖之后表現(xiàn)為灰度圖像。

效果如下

文章來源地址http://www.zghlxwxcb.cn/news/detail-437768.html

到了這里，關(guān)于Python邊緣檢測之prewitt, sobel, laplace算子的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！