這篇文章主要介紹了opencv python影象梯度例項詳解,文中通過示例程式碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下

一階導數與Soble運算元

二階導數與拉普拉斯運算元

影象邊緣：

Soble運算元：

二階導數：

拉普拉斯運算元：

import cv2 as cv
import numpy as np


# 影象梯度（由x,y方向上的偏導數和偏移構成），有一階導數（sobel運算元）和二階導數（Laplace運算元）
# 用於求解影象邊緣，一階的極大值，二階的零點
# 一階偏導在影象中為一階差分，再變成運算元（即權值）與影象畫素值乘積相加，二階同理
def sobel_demo(image):
  grad_x = cv.Sobel(image,cv.CV_32F,1,0) # 採用Scharr邊緣更突出
  grad_y = cv.Sobel(image,1)

  gradx = cv.convertScaleAbs(grad_x) # 由於算完的影象有正有負，所以對其取絕對值
  grady = cv.convertScaleAbs(grad_y)

  # 計算兩個影象的權值和，dst = src1*alpha + src2*beta + gamma
  gradxy = cv.addWeighted(gradx,0.5,grady,0)

  cv.imshow("gradx",gradx)
  cv.imshow("grady",grady)
  cv.imshow("gradient",gradxy)


def laplace_demo(image): # 二階導數，邊緣更細
  dst = cv.Laplacian(image,cv.CV_32F)
  lpls = cv.convertScaleAbs(dst)
  cv.imshow("laplace_demo",lpls)


def custom_laplace(image):
  # 以下運算元與上面的Laplace_demo()是一樣的，增強採用np.array([[1,1],[1,-8,1]])
  kernel = np.array([[1,1]])
  dst = cv.filter2D(image,kernel=kernel)
  lpls = cv.convertScaleAbs(dst)
  cv.imshow("custom_laplace",lpls)


def main():
  src = cv.imread("../images/lena.jpg")
  cv.imshow("lena",src)
  # sobel_demo(src)
  laplace_demo(src)
  custom_laplace(src)
  cv.waitKey(0) # 等有鍵輸入或者1000ms後自動將視窗消除，0表示只用鍵輸入結束視窗
  cv.destroyAllWindows() # 關閉所有視窗


if __name__ == '__main__':
  main()

以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支援我們。