前几天,老师布置了这样一个任务,读取图片并显示,反色后进行显示;进行Sobel算子滤波,然后反色,进行显示;进行Robers算子滤波,然后反色,进行显示。我最后加上了Laplace算子滤波,进行了比较。下面我来讲一下我的实现方法:

一、实现过程

思路:先完成每种函数的算法,接下来是反色函数,最后实现。

import cv2

import numpy as np

# robert 算子[[-1,-1],[1,1]]

def robert_suanzi(img):

r, c = img.shape

r_sunnzi = [[-1,-1],[1,1]]

for x in range(r):

for y in range(c):

if (y + 2 <= c) and (x + 2 <= r):

imgChild = img[x:x+2, y:y+2]

list_robert = r_sunnzi*imgChild

img[x, y] = abs(list_robert.sum())   # 求和加绝对值

return img

# # sobel算子的实现

def sobel_suanzi(img):

r, c = img.shape

new_image = np.zeros((r, c))

new_imageX = np.zeros(img.shape)

new_imageY = np.zeros(img.shape)

s_suanziX = np.array([[-1,0,1],[-2,0,2],[-1,0,1]])   # X方向

s_suanziY = np.array([[-1,-2,-1],[0,0,0],[1,2,1]])

for i in range(r-2):

for j in range(c-2):

new_imageX[i+1, j+1] = abs(np.sum(img[i:i+3, j:j+3] * s_suanziX))

new_imageY[i+1, j+1] = abs(np.sum(img[i:i+3, j:j+3] * s_suanziY))

new_image[i+1, j+1] = (new_imageX[i+1, j+1]*new_imageX[i+1,j+1] + new_imageY[i+1, j+1]*new_imageY[i+1,j+1])**0.5

# return np.uint8(new_imageX)

# return np.uint8(new_imageY)

return np.uint8(new_image) # 无方向算子处理的图像

# Laplace算子

# 常用的Laplace算子模板 [[0,1,0],[1,-4,1],[0,1,0]]  [[1,1,1],[1,-8,1],[1,1,1]]

def Laplace_suanzi(img):

r, c = img.shape

new_image = np.zeros((r, c))

L_sunnzi = np.array([[0,-1,0],[-1,4,-1],[0,-1,0]])

# L_sunnzi = np.array([[1,1,1],[1,-8,1],[1,1,1]])

for i in range(r-2):

for j in range(c-2):

new_image[i+1, j+1] = abs(np.sum(img[i:i+3, j:j+3] * L_sunnzi))

return np.uint8(new_image)

#反色函数

def inverse_color(img):

height,width = img.shape

img2 = img.copy()

for i in range(height):

for j in range(width):

img2[i,j] = (255-img[i,j])

return img2

img = cv2.imread('E:/test3.bmp', cv2.IMREAD_GRAYSCALE)

cv2.imshow('image', img)

img2 = inverse_color(img)

cv2.imshow('image2',img2)

# # robers算子

out_robert = robert_suanzi(img)

out_robert = inverse_color(out_robert)

cv2.imshow('robert_image', out_robert)

# sobel 算子

out_sobel = sobel_suanzi(img)

out_sobel = inverse_color(out_sobel)

cv2.imshow('sobel_image', out_sobel)

# Laplace算子

out_laplace = Laplace_suanzi(img)

out_laplace = inverse_color(out_laplace)

cv2.imshow('laplace_image', out_laplace)

cv2.waitKey(0)

cv2.destroyAllWindows()

二、运行效果

原图

反色后

Sobel算子滤波

robert算子滤波

laplace算子滤波

三、问题及解决办法

1.出现找不到文件的情况

这是第一次实验就遇到的问题,我以为还是符号的问题(就是文件前面要用/),但发现改了之后仍然出现问题,然后发现是我把图片的后缀记错了,如下图,test3的后缀是bmp,而我代码里出了问题,后来改正了就可以了。

2.运行结果没有进行反色处理。

解决方法:其实就是忘记了题目的要求,然后后来加上了反色的代码,结果就是题目要求的了。代码如下:

实现Sobel算子滤波、Robers算子滤波、Laplace算子滤波的更多相关文章

  1. 学习 opencv---(11)OpenC 边缘检测:Canny算子,Sobel算子,Laplace算子,Scharr滤波器

    本篇文章中,我们将一起学习OpenCV中边缘检测的各种算子和滤波器——Canny算子,Sobel算子,Laplace算子以及Scharr滤波器.文章中包含了五个浅墨为大家准备的详细注释的博文配套源代码 ...

  2. 【OpenCV新手教程之十二】OpenCV边缘检測:Canny算子,Sobel算子,Laplace算子,Scharr滤波器合辑

    本系列文章由@浅墨_毛星云 出品,转载请注明出处. 文章链接:http://blog.csdn.net/poem_qianmo/article/details/25560901 作者:毛星云(浅墨) ...

  3. [OpenCV入门教程之十二】OpenCV边缘检测:Canny算子,Sobel算子,Laplace算子,Scharr滤波器合辑

    http://blog.csdn.net/poem_qianmo/article/details/25560901 本系列文章由@浅墨_毛星云 出品,转载请注明出处. 文章链接:http://blog ...

  4. python自编程序实现——robert算子、sobel算子、Laplace算子进行图像边缘提取

    实现思路: 1,将传进来的图片矩阵用算子进行卷积求和(卷积和取绝对值) 2,用新的矩阵(与原图一样大小)去接收每次的卷积和的值 3,卷积图片所有的像素点后,把新的矩阵数据类型转化为uint8 注意: ...

  5. 边缘检测:Canny算子,Sobel算子,Laplace算子

    1.canny算子 Canny边缘检测算子是John F.Canny于 1986 年开发出来的一个多级边缘检测算法.更为重要的是 Canny 创立了边缘检测计算理论(Computational the ...

  6. 二维、三维 Laplace 算子的极坐标表示

    (1) 设 $(r,\theta)$ 是 $\bbR^2$ 的极坐标, 即 $$\bex x=r\cos\theta,\quad y=r\sin \theta. \eex$$ 证明 Laplace 算 ...

  7. Opencv Laplace算子

    //通过拉普拉斯-锐化边缘 kernel = (Mat_<float>(3,3)<<1,1,1,1,-8,1,1,1,1);//Laplace算子 filter2D(img2, ...

  8. 13. 用Roberts、Sobel、Prewitt和Laplace算子对一幅灰度图像进行边缘检测。观察异同。

    #include <opencv2/opencv.hpp> #include<opencv2/highgui/highgui.hpp> #include<opencv2/ ...

  9. OpenCV2马拉松第15圈——边缘检測(Laplace算子,LOG算子)

    收入囊中 拉普拉斯算子 LOG算子(高斯拉普拉斯算子) OpenCV Laplacian函数 构建自己的拉普拉斯算子 利用拉普拉斯算子进行图像的锐化 葵花宝典 在OpenCV2马拉松第14圈--边缘检 ...

随机推荐

  1. made his acquaintance|adequate|advisable|announce|contrived to|made up|toss|considering that

    PHRASE 与(某人)初次相识;结识(某人)When you make someone's acquaintance, you meet them for the first time and ge ...

  2. linux下使用过的命令总结(未整理完)

    1.常用命令不需解释 ls\cd\cp\mv\pwd\file\vi\vim\cat 2.getconf LONG_BIT 终端返回32表示操作系统32位,返回64表示操作系统64位. 3.ifcon ...

  3. REMODE解析

    版权声明:本文为博主原创文章,未经博主允许不得转载. 纯视觉的三维重建(不考虑用结构光的那一类)常用的有两大类方法:一类是SfM,缺点是计算量比较大,做不到实时运行:另一类是KinectFusion为 ...

  4. cs231n spring 2017 lecture16 Adversarial Examples and Adversarial Training

    (没太听明白,以后再听) 1. 如何欺骗神经网络? 这部分研究最开始是想探究神经网络到底是如何工作的.结果人们意外的发现,可以只改变原图一点点,人眼根本看不出变化,但是神经网络会给出完全不同的答案.比 ...

  5. svn安装使用1(转载)

    SVN服务器搭建和使用(一) Subversion是优秀的版本控制工具,其具体的的优点和详细介绍,这里就不再多说. 首先来下载和搭建SVN服务器. 现在Subversion已经迁移到apache网站上 ...

  6. 发现个很有意思的angularjs +grunt 复习项目

    最近作运维工作 docker 接触到一个开源webui dockerui 原项目地址 https://github.com/crosbymichael/dockerui 用angular框架实现,项目 ...

  7. webStrom 运行React-Native项目

    1.点击“Edit Configurations...” 2.点击“+”选择“npm” 3.“Name”随便输入一个名称,“Command”改为“help”,然后在点击“+”号. 4.选择“Run E ...

  8. 第十六届“二十一世纪的计算”学术研讨会 密西根州立大学教授Anil K. Jain主题演讲

    Biometrics---How Do I Know Who You Are? 密西根州立大学教授Anil K. Jain主题演讲" title="第十六届"二十一世纪的 ...

  9. Java 中Enum的使用与分析

    https://www.cnblogs.com/softidea/p/3760235.html https://blog.csdn.net/qq_27093465/article/details/52 ...

  10. ContentType明细对照表(文件类型相关的设置)

    文件扩展名 Content-Type(Mime-Type) 文件扩展名 Content-Type(Mime-Type) .*( 二进制流,不知道下载文件类型) application/octet-st ...