使用python实现 Soble 边缘算法

好的，以下是使用Python实现Sobel边缘算法的代码：

import cv2

# 读取图片
img = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)

# Sobel算子
sobelx = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=3)
sobely = cv2.Sobel(img, cv2.CV_64F, 0, 1, ksize=3)
grad = cv2.sqrt(cv2.addWeighted(cv2.pow(sobelx, 2.0), 1.0, cv2.pow(sobely, 2.0), 1.0, 0.0))

# 显示结果
cv2.imshow('Original Image', img)
cv2.imshow('Sobel Edge Detection', grad)
cv2.waitKey(0)
cv2.destroyAllWindows()

这段代码首先使用`cv2.imread`函数读取图片，然后使用`cv2.Sobel`函数计算x和y方向的梯度，最后使用`cv2.sqrt`和`cv2.addWeighted`函数计算梯度大小。最后使用`cv2.imshow`函数显示原图和边缘图像。

相关问题

python实现sobel边缘检测

Sobel算子是一种常用的边缘检测算法，Python中可以使用OpenCV库来实现Sobel算子边缘检测，具体步骤如下：

1.导入OpenCV库

import cv2

2.读取图片

img = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)

3.使用Sobel算子进行边缘检测

sobelx = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=3)
sobely = cv2.Sobel(img, cv2.CV_64F, 0, 1, ksize=3)

4.将x方向和y方向的边缘检测结果合并

sobel = cv2.addWeighted(sobelx, 0.5, sobely, 0.5, 0)

5.显示结果

cv2.imshow('Sobel', sobel)
cv2.waitKey(0)
cv2.destroyAllWindows()

完整代码如下：

import cv2

img = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)

sobelx = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=3)
sobely = cv2.Sobel(img, cv2.CV_64F, 0, 1, ksize=3)

sobel = cv2.addWeighted(sobelx, 0.5, sobely, 0.5, 0)

cv2.imshow('Sobel', sobel)
cv2.waitKey(0)
cv2.destroyAllWindows()

使用python实现canny边缘算法

好的，以下是使用Python实现Canny边缘算法的代码：

import cv2

# 读取图片
img = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)

# 高斯滤波
img_blur = cv2.GaussianBlur(img, (3, 3), 0)

# 计算梯度
sobelx = cv2.Sobel(img_blur, cv2.CV_64F, 1, 0, ksize=3)
sobely = cv2.Sobel(img_blur, cv2.CV_64F, 0, 1, ksize=3)
grad = cv2.sqrt(cv2.addWeighted(cv2.pow(sobelx, 2.0), 1.0, cv2.pow(sobely, 2.0), 1.0, 0.0))

# 非极大值抑制
gradient_direction = cv2.phase(sobelx, sobely, angleInDegrees=True)
gradient_direction = gradient_direction % 180
gradient_direction[gradient_direction < 22.5] = 0
gradient_direction[(gradient_direction >= 22.5) & (gradient_direction < 67.5)] = 45
gradient_direction[(gradient_direction >= 67.5) & (gradient_direction < 112.5)] = 90
gradient_direction[(gradient_direction >= 112.5) & (gradient_direction < 157.5)] = 135
gradient_direction[gradient_direction >= 157.5] = 0
nms = cv2.copyMakeBorder(grad, 1, 1, 1, 1, cv2.BORDER_CONSTANT, value=0)
for i in range(1, nms.shape[0] - 1):
    for j in range(1, nms.shape[1] - 1):
        if gradient_direction[i - 1, j - 1] == 0:
            if nms[i, j] < nms[i, j - 1] or nms[i, j] < nms[i, j + 1]:
                nms[i, j] = 0
        elif gradient_direction[i - 1, j - 1] == 45:
            if nms[i, j] < nms[i - 1, j + 1] or nms[i, j] < nms[i + 1, j - 1]:
                nms[i, j] = 0
        elif gradient_direction[i - 1, j - 1] == 90:
            if nms[i, j] < nms[i - 1, j] or nms[i, j] < nms[i + 1, j]:
                nms[i, j] = 0
        else:
            if nms[i, j] < nms[i - 1, j - 1] or nms[i, j] < nms[i + 1, j + 1]:
                nms[i, j] = 0
nms = nms[1:-1, 1:-1]

# 双阈值检测
threshold_low = 0.05 * grad.max()
threshold_high = 0.15 * grad.max()
edges = cv2.Canny(img, threshold_low, threshold_high)

# 显示结果
cv2.imshow('Original Image', img)
cv2.imshow('Canny Edge Detection', edges)
cv2.waitKey(0)
cv2.destroyAllWindows()

这段代码首先使用`cv2.imread`函数读取图片，然后使用`cv2.GaussianBlur`函数进行高斯滤波，降低噪声的影响，接着使用`cv2.Sobel`函数计算梯度，然后进行非极大值抑制，最后使用双阈值检测得到边缘图像。最后使用`cv2.imshow`函数显示原图和边缘图像。