一.Sobel算子

Sobel算子是一種用于邊緣檢測(cè)的離散微分算子，它結(jié)合了高斯平滑和微分求導(dǎo)。該算子用于計(jì)算圖像明暗程度近似值，根據(jù)圖像邊緣旁邊明暗程度把該區(qū)域內(nèi)超過某個(gè)數(shù)的特定點(diǎn)記為邊緣。Sobel算子在Prewitt算子的基礎(chǔ)上增加了權(quán)重的概念，認(rèn)為相鄰點(diǎn)的距離遠(yuǎn)近對(duì)當(dāng)前像素點(diǎn)的影響是不同的，距離越近的像素點(diǎn)對(duì)應(yīng)當(dāng)前像素的影響越大，從而實(shí)現(xiàn)圖像銳化并突出邊緣輪廓[1-4]。

Sobel算子的邊緣定位更準(zhǔn)確，常用于噪聲較多、灰度漸變的圖像。其算法模板如公式（1）所示，其中dx表示水平方向，dy表示垂直方向[3]。

其像素計(jì)算公式如下：

Sobel算子像素的最終計(jì)算公式如下：

Sobel算子根據(jù)像素點(diǎn)上下、左右鄰點(diǎn)灰度加權(quán)差，在邊緣處達(dá)到極值這一現(xiàn)象檢測(cè)邊緣。對(duì)噪聲具有平滑作用，提供較為精確的邊緣方向信息。因?yàn)镾obel算子結(jié)合了高斯平滑和微分求導(dǎo)（分化），因此結(jié)果會(huì)具有更多的抗噪性，當(dāng)對(duì)精度要求不是很高時(shí)，Sobel算子是一種較為常用的邊緣檢測(cè)方法。

Python和OpenCV將Sobel算子封裝在Sobel()函數(shù)中，其函數(shù)原型如下所示：

dst = Sobel(src, ddepth, dx, dy[, dst[, ksize[, scale[, delta[, borderType]]]]])

• – src表示輸入圖像
• – dst表示輸出的邊緣圖，其大小和通道數(shù)與輸入圖像相同
• – ddepth表示目標(biāo)圖像所需的深度，針對(duì)不同的輸入圖像，輸出目標(biāo)圖像有不同的深度
• – dx表示x方向上的差分階數(shù)，取值1或 0
• – dy表示y方向上的差分階數(shù)，取值1或0
• – ksize表示Sobel算子的大小，其值必須是正數(shù)和奇數(shù)
• – scale表示縮放導(dǎo)數(shù)的比例常數(shù)，默認(rèn)情況下沒有伸縮系數(shù)
• – delta表示將結(jié)果存入目標(biāo)圖像之前，添加到結(jié)果中的可選增量值
• – borderType表示邊框模式，更多詳細(xì)信息查閱BorderTypes

注意，在進(jìn)行Sobel算子處理之后，還需要調(diào)用convertScaleAbs()函數(shù)計(jì)算絕對(duì)值，并將圖像轉(zhuǎn)換為8位圖進(jìn)行顯示。其算法原型如下：

dst = convertScaleAbs(src[, dst[, alpha[, beta]]])

• – src表示原數(shù)組
• – dst表示輸出數(shù)組，深度為8位
• – alpha表示比例因子
• – beta表示原數(shù)組元素按比例縮放后添加的值

Sobel算子的實(shí)現(xiàn)代碼如下所示。

# -*- coding: utf-8 -*-
# By:Eastmount
import cv2  
import numpy as np  
import matplotlib.pyplot as plt
 
#讀取圖像
img = cv2.imread('luo.png')
lenna_img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)

#灰度化處理圖像
grayImage = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
 
#Sobel算子
x = cv2.Sobel(grayImage, cv2.CV_16S, 1, 0) #對(duì)x求一階導(dǎo)
y = cv2.Sobel(grayImage, cv2.CV_16S, 0, 1) #對(duì)y求一階導(dǎo)
absX = cv2.convertScaleAbs(x)      
absY = cv2.convertScaleAbs(y)    
Sobel = cv2.addWeighted(absX, 0.5, absY, 0.5, 0)

#用來正常顯示中文標(biāo)簽
plt.rcParams['font.sans-serif']=['SimHei']

#顯示圖形
titles = ['原始圖像', 'Sobel算子']
images = [lenna_img, Sobel]
for i in range(2):
   plt.subplot(1,2,i+1), plt.imshow(images[i], 'gray')
   plt.title(titles[i])
   plt.xticks([]),plt.yticks([])
plt.show()

其運(yùn)行結(jié)果如圖1所示：

二.Laplacian算子

拉普拉斯（Laplacian）算子是n維歐幾里德空間中的一個(gè)二階微分算子，常用于圖像增強(qiáng)領(lǐng)域和邊緣提取。它通過灰度差分計(jì)算鄰域內(nèi)的像素，基本流程是：

• 判斷圖像中心像素灰度值與它周圍其他像素的灰度值；
• 如果中心像素的灰度更高，則提升中心像素的灰度；
• 反之降低中心像素的灰度，從而實(shí)現(xiàn)圖像銳化操作。

在算法實(shí)現(xiàn)過程中，Laplacian算子通過對(duì)鄰域中心像素的四方向或八方向求梯度，再將梯度相加起來判斷中心像素灰度與鄰域內(nèi)其他像素灰度的關(guān)系，最后通過梯度運(yùn)算的結(jié)果對(duì)像素灰度進(jìn)行調(diào)整[2]。

一個(gè)連續(xù)的二元函數(shù)f(x,y)，其拉普拉斯運(yùn)算定義為：

Laplacian算子分為四鄰域和八鄰域，四鄰域是對(duì)鄰域中心像素的四方向求梯度，八鄰域是對(duì)八方向求梯度。其中，四鄰域模板如公式（5）所示：

其像素的計(jì)算公式可以簡化為：

通過模板可以發(fā)現(xiàn)，當(dāng)鄰域內(nèi)像素灰度相同時(shí)，模板的卷積運(yùn)算結(jié)果為0；當(dāng)中心像素灰度高于鄰域內(nèi)其他像素的平均灰度時(shí)，模板的卷積運(yùn)算結(jié)果為正數(shù)；當(dāng)中心像素的灰度低于鄰域內(nèi)其他像素的平均灰度時(shí)，模板的卷積為負(fù)數(shù)。對(duì)卷積運(yùn)算的結(jié)果用適當(dāng)?shù)乃ト跻蜃犹幚聿⒓釉谠行南袼厣?，就可以?shí)現(xiàn)圖像的銳化處理。

Laplacian算子的八鄰域模板如下：

其像素的計(jì)算公式可以簡化為：

Python和OpenCV將Laplacian算子封裝在Laplacian()函數(shù)中，其函數(shù)原型如下所示：

dst = Laplacian(src, ddepth[, dst[, ksize[, scale[, delta[, borderType]]]]])

• – src表示輸入圖像
• – dst表示輸出的邊緣圖，其大小和通道數(shù)與輸入圖像相同
• – ddepth表示目標(biāo)圖像所需的深度
• – ksize表示用于計(jì)算二階導(dǎo)數(shù)的濾波器的孔徑大小，其值必須是正數(shù)和奇數(shù)，且默認(rèn)值為1，更多詳細(xì)信息查閱getDerivKernels
• – scale表示計(jì)算拉普拉斯算子值的可選比例因子。默認(rèn)值為1，更多詳細(xì)信息查閱getDerivKernels
• – delta表示將結(jié)果存入目標(biāo)圖像之前，添加到結(jié)果中的可選增量值，默認(rèn)值為0
• – borderType表示邊框模式，更多詳細(xì)信息查閱BorderTypes

注意，Laplacian算子其實(shí)主要是利用Sobel算子的運(yùn)算，通過加上Sobel算子運(yùn)算出的圖像x方向和y方向上的導(dǎo)數(shù)，得到輸入圖像的圖像銳化結(jié)果。

同時(shí)，在進(jìn)行Laplacian算子處理之后，還需要調(diào)用convertScaleAbs()函數(shù)計(jì)算絕對(duì)值，并將圖像轉(zhuǎn)換為8位圖進(jìn)行顯示。其算法原型如下：

dst = convertScaleAbs(src[, dst[, alpha[, beta]]])

• – src表示原數(shù)組
• – dst表示輸出數(shù)組，深度為8位
• – alpha表示比例因子
• – beta表示原數(shù)組元素按比例縮放后添加的值

當(dāng)ksize=1時(shí)，Laplacian()函數(shù)采用3×3的孔徑（四鄰域模板）進(jìn)行變換處理。下面的代碼是采用ksize=3的Laplacian算子進(jìn)行圖像銳化處理，其代碼如下：

其運(yùn)行結(jié)果如圖2所示：

# -*- coding: utf-8 -*-
# By:Eastmount
import cv2  
import numpy as np  
import matplotlib.pyplot as plt
 
#讀取圖像
img = cv2.imread('luo.png')
lenna_img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)

#灰度化處理圖像
grayImage = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
 
#拉普拉斯算法
dst = cv2.Laplacian(grayImage, cv2.CV_16S, ksize = 3)
Laplacian = cv2.convertScaleAbs(dst) 

#用來正常顯示中文標(biāo)簽
plt.rcParams['font.sans-serif']=['SimHei']

#顯示圖形
titles = ['原始圖像', 'Laplacian算子']  
images = [lenna_img, Laplacian]  
for i in range(2):  
   plt.subplot(1,2,i+1), plt.imshow(images[i], 'gray')  
   plt.title(titles[i])  
   plt.xticks([]),plt.yticks([])  
plt.show()

邊緣檢測(cè)算法主要是基于圖像強(qiáng)度的一階和二階導(dǎo)數(shù)，但導(dǎo)數(shù)通常對(duì)噪聲很敏感，因此需要采用濾波器來過濾噪聲，并調(diào)用圖像增強(qiáng)或閾值化算法進(jìn)行處理，最后再進(jìn)行邊緣檢測(cè)。下面是采用高斯濾波去噪和閾值化處理之后，再進(jìn)行邊緣檢測(cè)的過程，并對(duì)比了四種常見的邊緣提取算法。

# -*- coding: utf-8 -*-
# By:Eastmount
import cv2  
import numpy as np  
import matplotlib.pyplot as plt

#讀取圖像
img = cv2.imread('luo.png')
lenna_img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

#灰度化處理圖像
grayImage = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

#高斯濾波
gaussianBlur = cv2.GaussianBlur(grayImage, (3,3), 0)

#閾值處理
ret, binary = cv2.threshold(gaussianBlur, 127, 255, cv2.THRESH_BINARY)

#Roberts算子
kernelx = np.array([[-1,0],[0,1]], dtype=int)
kernely = np.array([[0,-1],[1,0]], dtype=int)
x = cv2.filter2D(binary, cv2.CV_16S, kernelx)
y = cv2.filter2D(binary, cv2.CV_16S, kernely)
absX = cv2.convertScaleAbs(x)     
absY = cv2.convertScaleAbs(y)    
Roberts = cv2.addWeighted(absX, 0.5, absY, 0.5, 0)

#Prewitt算子
kernelx = np.array([[1,1,1],[0,0,0],[-1,-1,-1]], dtype=int)
kernely = np.array([[-1,0,1],[-1,0,1],[-1,0,1]], dtype=int)
x = cv2.filter2D(binary, cv2.CV_16S, kernelx)
y = cv2.filter2D(binary, cv2.CV_16S, kernely)
absX = cv2.convertScaleAbs(x)  
absY = cv2.convertScaleAbs(y)    
Prewitt = cv2.addWeighted(absX,0.5,absY,0.5,0)

#Sobel算子
x = cv2.Sobel(binary, cv2.CV_16S, 1, 0)
y = cv2.Sobel(binary, cv2.CV_16S, 0, 1)    
absX = cv2.convertScaleAbs(x)   
absY = cv2.convertScaleAbs(y)    
Sobel = cv2.addWeighted(absX, 0.5, absY, 0.5, 0)

#拉普拉斯算法
dst = cv2.Laplacian(binary, cv2.CV_16S, ksize = 3)
Laplacian = cv2.convertScaleAbs(dst) 

#效果圖
titles = ['Source Image', 'Binary Image', 'Roberts Image',
          'Prewitt Image','Sobel Image', 'Laplacian Image']
images = [lenna_img, binary, Roberts, Prewitt, Sobel, Laplacian]
for i in np.arange(6):
   plt.subplot(2,3,i+1),plt.imshow(images[i],'gray')
   plt.title(titles[i])
   plt.xticks([]),plt.yticks([])
plt.show()

輸出結(jié)果如圖3所示。其中，Laplacian算子對(duì)噪聲比較敏感，由于其算法可能會(huì)出現(xiàn)雙像素邊界，常用來判斷邊緣像素位于圖像的明區(qū)或暗區(qū)，很少用于邊緣檢測(cè)；Robert算子對(duì)陡峭的低噪聲圖像效果較好，尤其是邊緣正負(fù)45度較多的圖像，但定位準(zhǔn)確率較差；Prewitt算子對(duì)灰度漸變的圖像邊緣提取效果較好，而沒有考慮相鄰點(diǎn)的距離遠(yuǎn)近對(duì)當(dāng)前像素點(diǎn)的影響；Sobel算子考慮了綜合因素，對(duì)噪聲較多的圖像處理效果更好。

三.總結(jié)

本文主要介紹圖像銳化和邊緣檢測(cè)知識(shí)，詳細(xì)講解了Sobel算子和Laplacian算子，并通過小珞珞圖像進(jìn)行邊緣輪廓提取。圖像銳化和邊緣提取技術(shù)可以消除圖像中的噪聲，提取圖像信息中用來表征圖像的一些變量，為圖像識(shí)別提供基礎(chǔ)。

到此這篇關(guān)于Python圖像銳化與邊緣檢測(cè)之Sobel與Laplacian算子詳解的文章就介紹到這了,更多相關(guān)Python Sobel Laplacian內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論