Python边缘检测之prewitt,sobel和laplace算子详解

Miette ·

更新时间:2024-11-11

· 564 次阅读

滤波算子简介

具体实现

测试

滤波算子简介

ndimage中提供了卷积算法，并且建立在卷积之上，提供了三种边缘检测的滤波方案：prewitt, sobel以及laplace。

在convolve中列举了一个用于边缘检测的滤波算子，统一维度后，其x xx和y yy向的梯度算子分别写为

此即prewitt算子。

Sobel算子为Prewitt增添了中心值的权重，记为

这两种边缘检测算子，均适用于某一个方向，ndimage还提供了lapace算子，其本质是二阶微分算子，其3×3卷积模板可表示为

具体实现

ndimage封装的这三种卷积滤波算法，定义如下

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表示卷积过程中对边缘效应的弥补方案，设待滤波数组为a b c d，则在不同的模式下，对边缘进行如下填充

左侧填充数据右侧填充

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

测试

接下来测试一下

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()

为了看上去更加简洁，代码中将原图、prewitt滤波、sobel滤波以及laplace滤波封装在了一个字典中。其中origin表示原始图像，对应的函数是一个lambda表达式。

在绘图时，通过将cmap映射到plt.cm.gray，使得绘图之后表现为灰度图像。

效果如下