Python邊緣檢測之prewitt,sobel和laplace算子詳解

更新時間：2023年04月21日 14:23:30 作者：微小冷

這篇文章主要為大家詳細(xì)介紹了Python邊緣檢測中prewitt、sobel和laplace算子的使用方法，文中的示例代碼講解詳細(xì)，感興趣的小伙伴可以了解一下

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l(fā)aplace。

在convolve中列舉了一個用于邊緣檢測的濾波算子，統(tǒng)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(quán)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(zhì)是二階微分算子，其3×3卷積模板可表示為

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，對邊緣進(jìn)行如下填充

	左側(cè)填充	數(shù)據(jù)	右側(cè)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

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濾波封裝在了一個字典中。其中origin表示原始圖像，對應(yīng)的函數(shù)是一個lambda表達(dá)式。

在繪圖時，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