目录

一、礼帽与黑帽

二、图像梯度——Sobel算子

 三、图像梯度——Scharr算子；Laplacian算子

一、礼帽与黑帽

（1）礼帽 = 原始输入 - 开运算结果

（2）黑帽 = 闭运算 - 原始输入

用处：

（1）礼帽运算：原图像和开运算结果图之差，常用来分离比邻近点亮一些的斑块，在一幅图像具有大幅的背景而微小物品比较有规律的情况下，可以使用礼帽运算进行背景提取

（2）黑帽运算：突出了比原图像轮廓周围的区域更暗的区域，所以用来分离比邻近点暗一些的斑块，效果图有着非常完美的轮廓

#礼帽
img = cv2.imread('D:/fushi2.jpg')
tophat = cv2.morphologyEx(img,cv2.MORPH_TOPHAT,kernel)
cv_show('tophat',tophat)

#黑帽
img = cv2.imread('D:/fushi2.jpg')
blackhat = cv2.morphologyEx(img,cv2.MORPH_BLACKHAT,kernel)
cv_show('blackhat',blackhat)

 

二、图像梯度——Sobel算子

（1）什么是图像梯度？

在我的理解中，一个图像是清晰还是模糊主要取决于图像的轮廓是否明显，即轮廓边缘的灰度变化强不强烈，图像的梯度就相当于2个相邻像素之间的差值。

（2）在图像中，该算子的大致作用就是找出图中哪些地方存在梯度，即找出图像边缘轮廓，可用于边缘检测

这是一个卷积乘

img = cv2.imread('D:/fzdsuanzi.jpg',cv2.IMREAD_GRAYSCALE)
cv_show('img',img)

 原图：

dat = cv2.Sobel(src,ddepth,dx,dy,ksize)

-ddepth:图像的深度

-dx和dy分别表示水平和竖直方向

-ksize是sobel算子的大小

注：在梯度运算中，很可能会出现负的灰度值，我们不能再采用uint8类型作为像素的数据类型，而是采用了CV_64F这种有负数范围的类型，运算结果里的负数我们也不能不处理，否则在显示的时候就会被截断为0，这样就会丢失边界信息。convertScaleAbs函数就是把梯度运算后的图像给正值化，也就是取绝对值

————————————————
版权声明：本文为CSDN博主「naruhina」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/naruhina/article/details/104710805/

sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize = 3)#cv2.CV_64f的意思是cv2.CV_64F输出图像的深度（数据类型），可以使用-1，与原图像保持一致
sobelx = cv2.convertScaleAbs(sobelx)白到黑是正数，黑到白是负数，所有的负数会被截断成0，所以要取绝对值
cv_show('sobelx',sobelx)

 

 

sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize = 3)
sobely = cv2.convertScaleAbs(sobely)
cv_show('sobely',sobely)

 

分别计算x,y再求和

sobelxy = cv2.addWeighted(sobelx,0.5,sobely,0.5,0)
cv_show('sobelxy',sobelxy)

 

不建议直接计算，原因如下：

sobelxy = cv2.Sobel(img,cv2.CV_64F,1,1,ksize = 3)
sobelxy = cv2.convertScaleAbs(sobelxy)
cv_show('sobelxy',sobelxy)

 

 三、图像梯度——Scharr算子；Laplacian算子

1.不同算子的卷积核数值有一些差异。

2.scharr与sobel算子思想一样，只是卷积核的系数不同，scharr算子提取边界也更加灵敏，能提取到更细小的边界，但请注意，越是灵敏就越是可能误判。

3.Laplacian 算子对噪声比较敏感，所以图像一般先经过平滑处理。一般情况下都是将Laplacian算子与其他方法结合一起使用，并不是经常单独使用该算子。

#不同算子之间的差异
import numpy as np
img = cv2.imread('D:/fzdsuanzi.jpg',cv2.IMREAD_GRAYSCALE)
sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize = 3)
sobelx = cv2.convertScaleAbs(sobelx)
sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize = 3)
sobely = cv2.convertScaleAbs(sobely)
sobelxy = cv2.addWeighted(sobelx,0.5,sobely,0.5,0)

scharrx = cv2.Scharr(img,cv2.CV_64F,1,0)
scharry = cv2.Scharr(img,cv2.CV_64F,0,1)
scharrx = cv2.convertScaleAbs(scharrx)
scharry = cv2.convertScaleAbs(scharry)
scharrxy = cv2.addWeighted(scharrx,0.5,scharry,0.5,0)

laplacian = cv2.Laplacian(img,cv2.CV_64F)
laplacian = cv2.convertScaleAbs(laplacian)

res = np.hstack((sobelxy,scharrxy,laplacian))
cv_show('res',res)

Scharr算子提取出的轮廓与原图的对比：