Python邊緣檢測之prewitt,sobel和laplace算子怎么寫

本篇內容介紹了“Python邊緣檢測之prewitt,sobel和laplace算子怎么寫”的有關知識，在實際案例的操作過程中，不少人都會遇到這樣的困境，接下來就讓小編帶領大家學習一下如何處理這些情況吧！希望大家仔細閱讀，能夠學有所成！

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中列舉了一個用于邊緣檢測的濾波算子，統一維度后，其x xx和y yy向的梯度算子分別寫為

此即prewitt算子。

Sobel算子為Prewitt增添了中心值的權重，記為

這兩種邊緣檢測算子，均適用于某一個方向，ndimage還提供了lapace算子，其本質是二階微分算子，其3×3卷積模板可表示為

具體實現

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表示卷積過程中對邊緣效應的彌補方案，設待濾波數組為a b c d，則在不同的模式下，對邊緣進行如下填充

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laplace濾波封裝在了一個字典中。其中origin表示原始圖像，對應的函數是一個lambda表達式。

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

效果如下

“Python邊緣檢測之prewitt,sobel和laplace算子怎么寫”的內容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業相關的知識可以關注億速云網站，小編將為大家輸出更多高質量的實用文章！