python 图像处理（一阶梯度图像和角度图像）

news2025/1/11 5:48:30

在整个图像处理的学习过程中可以看到，在很多应用中图像强度的变化情况是非常重要的信息。强度的变化可以用灰度图像I（对于彩色图像，通常对每个颜色通道分别计算导数）的x和y的方向导数和进行描述。

图像的梯度向量为：

梯度有两个重要的属性，一个是梯度的大小：

它描述了图像变化的强弱，一是梯度的角度：

它描述了图像中在每个点（像素）上强度变化最大的方向。NumPy中的arctan2()函数返回弧度表示的有符号角度，角度的变化区间为。

我们可以用离散近似的方式来计算图像的导数。图像的导数大多可以通过卷积简单地实现：

通常选择Prewitt滤波器：

Prewitt边缘算子是一种边缘样板算子，利用像素点上下，左右邻点灰度差，在边缘处达到极值检测边缘，对噪声具有平滑作用

使用Sobel滤波器，Sobel算法是一种较成熟的微分边缘检测算法，它计算简单，且能产生较好的检测效果，对噪声具有平滑作用，可以提供较为精确的边缘方向信息。

import cv2
from matplotlib import pyplot as plt
img = cv2.imread('img2.png', 0) # 后面参数为0表示取灰度图
img1 = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)#默认ksize=3
sobely = cv2.Sobel(img,cv2.CV_64F,0,1)
gm = cv2.sqrt(sobelx ** 2 + sobely ** 2)
plt.subplot(121),plt.imshow(img)
plt.subplot(122),plt.imshow(gm)
plt.show()

梯度图像 

from skimage import data,color,filters
import  matplotlib.pyplot as plt
import numpy as np
original_img=data.chelsea()
gray_img=color.rgb2gray(original_img)

'''
#using system function
edge_img=filters.sobel(gray_img)
figure=plt.figure()
plt.subplot(131).set_title('original_img')
plt.imshow(original_img)
plt.subplot(132).set_title('gray_img')
plt.imshow(gray_img)
plt.subplot(133).set_title('sobel_img')
plt.imshow(edge_img)
plt.show()
'''

#self code
x_sobel=np.array([[-1,0,1],
                    [-2,0,2],
                    [-1,0,1]])
y_sobel=np.array([[-1,-2,-1],
                    [0,0,0],
                    [1,2,1]])
h,w=gray_img.shape
img=np.zeros([h+2,w+2])
img[2:h+2,2:w+2]=gray_img[0:h,0:w]
def sobel_cal(img,filter):
    h,w=img.shape
    img_filter=np.zeros([h,w])
    for i in range(h-2):
        for j in range(w-2):
            img_filter[i][j]=img[i][j]*filter[0][0]+img[i][j+1]*filter[0][1]+img[i][j+2]*filter[0][2]+\
                    img[i+1][j]*filter[1][0]+img[i+1][j+1]*filter[1][1]+img[i+1][j+2]*filter[1][2]+\
                    img[i+2][j]*filter[2][0]+img[i+2][j+1]*filter[2][1]+img[i+2][j+2]*filter[2][2]
    return img_filter

x_edge_img=sobel_cal(img,x_sobel)
y_edge_img=sobel_cal(img,y_sobel)
edge_img=np.zeros([h,w])
for i in range(h):
    for j in range(w):
      edge_img[i][j]=np.sqrt(x_edge_img[i][j]**2+y_edge_img[i][j]**2)/(np.sqrt(2))
plt.figure('imgs')
plt.subplot(321).set_title('original_img')
plt.imshow(original_img)
plt.subplot(322).set_title('gray_img')
plt.imshow(gray_img)
plt.subplot(323).set_title('x_edge_img')
plt.imshow(x_edge_img)
plt.subplot(324).set_title('y_edge_img')
plt.imshow(y_edge_img)
plt.subplot(325).set_title('edge_img')
plt.imshow(edge_img)

plt.show()

角度图像 

from skimage import data,color,filters
import  matplotlib.pyplot as plt
import numpy as np
original_img=data.chelsea()
gray_img=color.rgb2gray(original_img)

'''
#using system function
edge_img=filters.sobel(gray_img)
figure=plt.figure()
plt.subplot(131).set_title('original_img')
plt.imshow(original_img)
plt.subplot(132).set_title('gray_img')
plt.imshow(gray_img)
plt.subplot(133).set_title('sobel_img')
plt.imshow(edge_img)
plt.show()
'''

#self code
x_sobel=np.array([[-1,0,1],
                    [-2,0,2],
                    [-1,0,1]])
y_sobel=np.array([[-1,-2,-1],
                    [0,0,0],
                    [1,2,1]])
h,w=gray_img.shape
img=np.zeros([h+2,w+2])
img[2:h+2,2:w+2]=gray_img[0:h,0:w]
def sobel_cal(img,filter):
    h,w=img.shape
    img_filter=np.zeros([h,w])
    for i in range(h-2):
        for j in range(w-2):
            img_filter[i][j]=img[i][j]*filter[0][0]+img[i][j+1]*filter[0][1]+img[i][j+2]*filter[0][2]+\
                    img[i+1][j]*filter[1][0]+img[i+1][j+1]*filter[1][1]+img[i+1][j+2]*filter[1][2]+\
                    img[i+2][j]*filter[2][0]+img[i+2][j+1]*filter[2][1]+img[i+2][j+2]*filter[2][2]
    return img_filter

x_edge_img=sobel_cal(img,x_sobel)
y_edge_img=sobel_cal(img,y_sobel)
edge_img=np.zeros([h,w])
for i in range(h):
    for j in range(w):
      # edge_img[i][j]=np.sqrt(x_edge_img[i][j]**2+y_edge_img[i][j]**2)/(np.sqrt(2))
        edge_img[i][j]=np.arctan2(x_edge_img[i][j],y_edge_img[i][j])
plt.figure('imgs')
plt.subplot(321).set_title('original_img')
plt.imshow(original_img)
plt.subplot(322).set_title('gray_img')
plt.imshow(gray_img)
plt.subplot(323).set_title('x_edge_img')
plt.imshow(x_edge_img)
plt.subplot(324).set_title('y_edge_img')
plt.imshow(y_edge_img)
plt.subplot(325).set_title('edge_img')
plt.imshow(edge_img)

plt.show()

 

import matplotlib.pyplot as plt

from skimage.io import imread

import numpy as np

import cv2

"""
1.清晰图像和模糊图像之间的梯度分布不同，清晰图像的梯度有明显的重尾分布，而模糊图像不存在这种梯度分布;
2.对清晰图像进行高斯模糊；
3.使用opencv进行计算梯度，包括幅度梯度和角度梯度；
4.绘制图像的梯度直方图;
5.并计算两张图像之间的梯度差，并绘制差值的直方图
"""
img = imread('img1.png')

# img = np.float32(img)/255.

img_blur = cv2.GaussianBlur(img, (15, 15), 0)

# img_blur = np.float32(img_blur)/255.

# 清晰图像的x,y方向的一阶导(梯度)

gx_ord = cv2.Sobel(img, cv2.CV_32F, 1, 0, ksize=1)

gy_ord = cv2.Sobel(img, cv2.CV_32F, 0, 1, ksize=1)

# 模糊图像的x,y方向的一阶导

gx_blur = cv2.Sobel(img_blur, cv2.CV_32F, 1, 0, ksize=1)

gy_blur = cv2.Sobel(img_blur, cv2.CV_32F, 0, 1, ksize=1)

# Calculate gradient magnitude and direction ( in degrees )

# cv2.cartToPolar这个函数计算二维向量(x,y)的幅度梯度和角度梯度

mag_ord, angle_ord = cv2.cartToPolar(gx_ord, gy_ord, angleInDegrees=True)

mag_blur, angle_blur = cv2.cartToPolar(gx_blur, gy_blur, angleInDegrees=True)

# bins_ord = angle_ord.max - angle_ord.min

# bins_blur = angle_blur.max - angle_blur.min

bins = np.arange(256) # np.histogram的默认bins值为10

hist_ord_mag, bins = np.histogram(mag_ord, bins)

hist_blur_mag, bins = np.histogram(mag_blur, bins)

hist_ord_angle, bins = np.histogram(angle_ord, bins)

hist_blur_angle, bins = np.histogram(angle_blur, bins)

# 计算清晰图像和模糊图像之间的幅度和角度的梯度差

mag_diff = mag_ord - mag_blur

angle_diff = angle_ord - angle_blur

hist_mag_diff, bins = np.histogram(mag_diff, bins)

hist_angle_diff, bins = np.histogram(angle_diff, bins)

width = 0.7 * (bins[1] - bins[0])

center = (bins[:-1] + bins[1:]) / 2

plt.subplot(331), plt.imshow(img), plt.title('ordinary')

plt.subplot(332), plt.imshow(img_blur), plt.title('blur')

plt.subplot(337), plt.title('ord_angle'), plt.bar(center, hist_ord_angle, align='center', width=width)

plt.subplot(338), plt.title('blur_angle'), plt.bar(center, hist_blur_angle, align='center', width=width)

plt.subplot(334), plt.title('ord_mag'), plt.bar(center, hist_ord_mag, align='center', width=width)

plt.subplot(335), plt.title('blur_mag'), plt.bar(center, hist_blur_mag, align='center', width=width)

plt.subplot(336), plt.title('mag_diff'), plt.bar(center, hist_mag_diff, align='center', width=width)

plt.subplot(339), plt.title('angel_diff'), plt.bar(center, hist_angle_diff, align='center', width=width)

plt.show()

 参考文献

边缘检测算法总结及其python实现--一阶检测算子_RF-or的博客-CSDN博客_边缘算法python

【视觉入门】——空域图像增强(邻域运算部分）：图像卷积、多种滤波器；二值图像分析及形态学图像处理_Vulcan_Q的博客-CSDN博客 

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/21520.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

[datawhale202211]跨模态神经搜索实践：前端简介 Streamlit

[datawhale202211]跨模态神经搜索实践：前端简介 Streamlit

结论速递 VCED项目使用一个十分简单好用的 Web 应用程序框架Streamlit。 本次任务简单学习Streamlit的基本使用。并逐行阅读学习VCED项目的前端代码，学习数据的传递，中间存储方式，以及功能的实现。 前情回顾 环境配置Jina生态跨模态模型 …
阅读更多...
[python]basemap后安装后hello world代码

[python]basemap后安装后hello world代码

import matplotlib.pyplot as plt import numpy as np from mpl_toolkits.basemap import Basemap m Basemap() # 实例化一个map m.drawcoastlines() # 画海岸线 m.drawmapboundary(fill_colorwhite) m.fillcontinents(colorwhite,lake_colorwhite) # 画大洲&#x…
阅读更多...
点云配准（四） Sparse Point Registration 算法浅析

点云配准（四） Sparse Point Registration 算法浅析

Sparse Point Registration （SPR）是一篇2017年的点云配准算法，该算法的主要目的是对稀疏点云进行配准，并且取得了不错的成果和突破。本文一方面是对SPR配准算法模型进行了简单的原理解析以及附加代码实现，另一方面是对之前工作的总结，也算水篇博文，接下来的工作主要就是…
阅读更多...
正统类加载器Tomcat(tomcat二探)

正统类加载器Tomcat(tomcat二探)

主流的Java Web服务器，如Tomcat、Jetty、WebLogic、WebSphere或其他笔者没有列举的服务器， 都实现了自己定义的类加载器，而且一般还都不止一个。因为一个功能健全的Web服务器，都要解决 如下的这些问题： 部署在同一个服…
阅读更多...
C++设计模式之桥模式

C++设计模式之桥模式

桥模式也是设计模式中单一组件模式的一种。什么是单一组件模式呢？ 单一组件模式： 在软件组件设计中，如果责任划分的不清晰，使用继承得到的结果往往是随着需求的变化而变化，子类急剧膨胀，同时充斥着重复代…
阅读更多...
SpringBoot-Dubbo中的Customer怎么获取了注册中心的服务呢？

SpringBoot-Dubbo中的Customer怎么获取了注册中心的服务呢？

1.Dubbo中的Customer怎么获取了注册中心的服务呢？ （1）要在pom文件中导入接口依赖 （2）在配置文件中指定服务中心的ip地址 （3）使用的dubbo自己的注解向服务中心中获取服务，并且将获取…
阅读更多...
史上最简单：SpringCloud 集成 mybatis-plus（以若依微服务版本为例）

史上最简单：SpringCloud 集成 mybatis-plus（以若依微服务版本为例）

编者按：若依微服务版是基于Spring Boot、Spring Cloud & Alibaba的微服务的权限管理系统，也是笔者比较推荐的个人学习和企业实践都比较优秀的开源项目。 笔者也以此项目为例，介绍一下我自己是如何操作 SpringCloud 集成 mybatis-plus 的。…
阅读更多...
API网关之Nginx作为网关的优势及实战

API网关之Nginx作为网关的优势及实战

基于Nginx的网关的优势： 1 .速度更快、并发更高 单次请求或者高并发请求的环境下，Nginx都会比其他Web服务器响应的速度更快。一方面在正常情况下，单次请求会得到更快的响应，另一方面，在高峰期(如有数以万计的并发请求…
阅读更多...
【Pytorch with fastai】第 20 章 ：结语与问题

【Pytorch with fastai】第 20 章 ：结语与问题

🔎大家好，我是Sonhhxg_柒，希望你看完之后，能对你有所帮助，不足请指正！共同学习交流🔎 📝个人主页－Sonhhxg_柒的博客_CSDN博客 📃 🎁欢迎各位→点赞…
阅读更多...
开启linux的网络服务， FTP、SSH和NFS服务

开启linux的网络服务， FTP、SSH和NFS服务

在使用linux中开发的时候，我们可以选择启用一些网络服务方便我们进行开发，加快开发的进度。 现在很多用linux进行开发的工程师，他们大多都是在windows系统上安装虚拟机，然后在虚拟机中安装linux系统，然后在里面完成项目…
阅读更多...
Java项目——表白墙（前后端连接+数据库存储）

Java项目——表白墙（前后端连接+数据库存储）

前端的表白墙实现代码在之前的博客中有 Message类 表白墙中的每一个表白信息都由Message对象呈现，其包含form——表白者，to——被表白者，message——表白信息，以及一系列get和set方法 public class Message {private String fr…
阅读更多...
我是如何构建自己的笔记系统的?

我是如何构建自己的笔记系统的?

我是如何构建自己的笔记系统的? 关于笔记系统的重要性互联网上有许多的资料, 我这里将不再赘述. 下面我将直接介绍我的笔记从记录到整理文章发布的所有详细步骤和工具 我的笔记系统可能并不完善, 而且带着极强的个人倾向性, 只希望它能提供给你一种思考的方向 原文地址: https…
阅读更多...
ArrayList 可以完全替代数组吗？

ArrayList 可以完全替代数组吗？

本文已收录到 GitHub AndroidFamily，有 Android 进阶知识体系，欢迎 Star。技术和职场问题，请关注公众号 [彭旭锐] 加入 Android 交流群。 前言 大家好，我是小彭。 在前面的文章里，我们学习了很多数据结构与算法思想…
阅读更多...
【Nacos案例】

【Nacos案例】

0、整体 整体项目概览 整体服务概览 1、新建父工程demo-nacos 删除src &#xff0c;切记 packaging&#xff1a;pom <?xml version"1.0" encoding"UTF-8"?> <project xmlns"http://maven.apache.org/POM/4.0.0" xmlns:xsi"ht…
阅读更多...
[Apollo Cyber RT] Timer实现

[Apollo Cyber RT] Timer实现

Timer的实现方式 Timer有多种实现方式&#xff0c;CyberRT采用了时间轮(TimingWheel)方式。关于Timing Wheels的详细描述可以参考附录的链接。此处不赘述。 CyberRT Timer的类构成 实现细节 Timer Timer类是门户&#xff0c;但定时器真正的核心是TimingWheel。 Timer的定义…
阅读更多...
索引的基础使用

索引的基础使用

索引&#xff1a; 分类&#xff1a; 功能逻辑&#xff1a;普通索引、唯一索引、主键索引、全文索引物理实现方式&#xff1a;聚簇索引&#xff0c;非聚簇索引作用字段个数&#xff1a;单列索引&#xff0c;联合索引 索引创建&#xff1a; --主键索引 CREATE TABLE dept( de…
阅读更多...
SpringBoot的使用

SpringBoot的使用

一、Maven的环境搭建 暂时未完成.... 二、创建项目 创建完以后的目录如下&#xff1a; 然后配置pom.xml 再放入配置项 <!-- 2 我的依赖仓库源 , 首先配置仓库的服务器位置,首选阿里云&#xff0c;也可以配置镜像方式&#xff0c;效果雷同 --><repositories><re…
阅读更多...
章节四：RASA 训练数据介绍

章节四：RASA 训练数据介绍

一、前言 一般来说&#xff0c;机器人可以跟人对话&#xff0c;机器人说什么是最难的&#xff0c;顶多是人工编写几种规则和模版来回复即可。但是要让机器人理解人的意图&#xff0c;确实非常难的事情。因为语言具有多样性&#xff0c;多义词&#xff0c;一语双关&#xff0c;…
阅读更多...
872. 最大公约数（史上最详细讲解 7种算法,STL+算法标准实现）

872. 最大公约数（史上最详细讲解 7种算法,STL+算法标准实现）

一&#xff0c;什么是最大公约数 最大公约数&#xff08;Greatest Common Divisor&#xff09;指两个或多个整数共有约数中最大的一个。也称最大公因数、最大公因子&#xff0c;a&#xff0c; b的最大公约数记为&#xff08;a&#xff0c;b&#xff09;&#xff0c;同样的&…
阅读更多...
测试架构工程师需要具备哪些能力 ？

测试架构工程师需要具备哪些能力 ？

目录 前言 为什么软件项目需要架构设计&#xff1f; 测试架构师需要解决什么问题&#xff1f; 测试架构师需要具备哪些能力&#xff1f; 测试工程师如何培养架构能力&#xff1f; 总结 重点&#xff1a;配套学习资料和视频教学 前言 相比于我们常见的研发架构师&#xf…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023