【OpenCV 例程200篇】64. 图像锐化——Sobel 算子_opencv sobel算子进行图像锐化-程序员宅基地
技术标签： python 计算机视觉 图像处理 人工智能 # OpenCV例程/youcans opencv
【OpenCV 例程200篇】64. 图像锐化——Sobel 算子
欢迎关注 『OpenCV 例程200篇』 系列，持续更新中
欢迎关注 『Python小白的OpenCV学习课』 系列，持续更新中
3. 空间域锐化滤波（高通滤波）
图像模糊通过平滑（加权平均）来实现，类似于积分运算。图像锐化则通过微分运算（有限差分）实现，使用一阶微分或二阶微分都可以得到图像灰度的变化值。
图像锐化的目的是增强图像的灰度跳变部分，使模糊的图像变得清晰。图像锐化也称为高通滤波，通过和增强高频，衰减和抑制低频。图像锐化常用于电子印刷、医学成像和工业检测。
图像梯度提取方法简单直接，能够有效的描述图像的原始状态，因此发展出多种图像梯度算子：Roberts、Prewitt、Sobel、Laplacian、Scharr。
3.4 Sobel 梯度算子
Sobel 算子是一种离散的微分算子，是高斯平滑和微分求导的联合运算，抗噪声能力强。
Sobel 梯度算子利用局部差分寻找边缘，计算得到梯度的近似值。先计算水平、垂直方向的梯度 G x = k x ∗ s r c G_x = k_x * src Gx=kx∗src， G y = k y ∗ s r c G_y = k_y * src Gy=ky∗src，再求总梯度 $ G = \sqrt{G_x2+G_y2}$ 。编程实现时，可以用绝对值近似平方根： G = ∣ G x ∣ + ∣ G y ∣ G = |G_x| + |G_y| G=∣Gx∣+∣Gy∣。
Sobel 梯度算子是由平滑算子和差分算子卷积得到，Sobel 梯度算子的卷积核为：
K x = [ − 1 0 1 − 2 0 2 − 1 0 1 ] , K y = [ − 1 − 2 − 1 0 0 0 1 2 1 ] K_x = \begin{bmatrix} -1 & 0 &1\\ -2 & 0 &2\\ -1 & 0 &1\\ \end{bmatrix}, \ K_y = \begin{bmatrix} -1 &-2 &-1\\ 0 &0 &0\\ 1 &2 &1\\ \end{bmatrix} Kx=⎣⎡−1−2−1000121⎦⎤, Ky=⎣⎡−101−202−101⎦⎤
Sobel 梯度算子很容易通过卷积操作 cv.filter2D 实现，OpenCV 也提供了函数 cv.Sobel 实现 Sobel 梯度算子。
函数说明：
cv.Sobel(src, ddepth, dx, dy[, dst[, ksize[, scale[, delta[, borderType]]]]]) → dst
参数说明：
- src：输入图像，灰度图像，不适用彩色图像
- dst：输出图像，大小和类型与 src 相同
- ddepth：输出图片的数据深度，由输入图像的深度进行选择
- dx：x 轴方向导数的阶数，1 或 2
- dy：y 轴方向导数的阶数，1 或 2
- ksize：Sobel 卷积核的大小，可选的取值为：1/3/5/7，ksize=-1 时使用 Scharr 算子运算
- scale：缩放比例因子，可选项，默认值为 1
- delta：输出图像的偏移量，可选项，默认值为 0
- borderType：边界扩充的类型，注意不支持对侧填充（BORDER_WRAP）
注意事项：
- ddepth 的设置比较复杂，而且容易出错。限于篇幅本文不做展开。
此外，为了处理微分运算导致的数据异常（超出 [0，255]），OpenCV 提供了 cv.convertScaleAbs 进行饱和运算（saturate）： d s t = s a t u r a t e ( s r c ∗ α + b e t a ) dst = saturate(src * \alpha + beta) dst=saturate(src∗α+beta)。
函数说明：
cv.convertScaleAbs(src[, alpha[, beta]]) → dst
参数说明：
- src：输入图像，可以是灰度图像，也可以是多通道的彩色图像
- dst：输出图像，大小和类型与 src 相同
- alpha：调节系数，可选项，默认值为 1
- beta：亮度调节，可选项，默认值为 0
例程 1.79：图像锐化：Sobel 算子
# 1.79：图像锐化：Sobel 算子
# img = cv2.imread("../images/Fig0338a.tif", flags=0) # NASA 月球影像图
img = cv2.imread("../images/imgGaia.tif", flags=0)
# 使用函数 filter2D 实现 Sobel 算子
kernSobelX = np.array([[-1, 0, 1], [-2, 0, 2], [-1, 0, 1]]) # SobelX kernel
kernSobelY = np.array([[-1, -2, -1], [0, 0, 0], [1, 2, 1]]) # SobelY kernel
imgSobelX = cv2.filter2D(img, -1, kernSobelX, borderType=cv2.BORDER_REFLECT)
imgSobelY = cv2.filter2D(img, -1, kernSobelY, borderType=cv2.BORDER_REFLECT)
# 使用 cv2.Sobel 实现 Sobel 算子
SobelX = cv2.Sobel(img, cv2.CV_16S, 1, 0) # 计算 x 轴方向
SobelY = cv2.Sobel(img, cv2.CV_16S, 0, 1) # 计算 y 轴方向
absX = cv2.convertScaleAbs(SobelX) # 转回 uint8
absY = cv2.convertScaleAbs(SobelY) # 转回 uint8
SobelXY = cv2.addWeighted(absX, 0.5, absY, 0.5, 0) # 用绝对值近似平方根
plt.figure(figsize=(10, 6))
plt.subplot(141), plt.axis('off'), plt.title("Original")
plt.imshow(img, cmap='gray', vmin=0, vmax=255)
plt.subplot(142), plt.axis('off'), plt.title("SobelX")
plt.imshow(SobelX, cmap='gray', vmin=0, vmax=255)
# plt.imshow(imgSobelX, cmap='gray', vmin=0, vmax=255)
plt.subplot(143), plt.axis('off'), plt.title("SobelY")
plt.imshow(SobelY, cmap='gray', vmin=0, vmax=255)
# plt.imshow(imgSobelY, cmap='gray', vmin=0, vmax=255)
plt.subplot(144), plt.axis('off'), plt.title("SobelXY")
plt.imshow(SobelXY, cmap='gray')
plt.tight_layout()
plt.show()
（本节完）
版权声明：
youcans@xupt 原创作品，转载必须标注原文链接
Copyright 2021 youcans, XUPT
Crated：2021-11-29
欢迎关注 『OpenCV 例程200篇』 系列，持续更新中
欢迎关注 『Python小白的OpenCV学习课』 系列，持续更新中
【OpenCV 例程200篇】01. 图像的读取（cv2.imread）
【OpenCV 例程200篇】02. 图像的保存（cv2.imwrite）
【OpenCV 例程200篇】03. 图像的显示（cv2.imshow）
【OpenCV 例程200篇】04. 用 matplotlib 显示图像（plt.imshow）
【OpenCV 例程200篇】05. 图像的属性（np.shape）
【OpenCV 例程200篇】06. 像素的编辑（img.itemset）
【OpenCV 例程200篇】07. 图像的创建（np.zeros）
【OpenCV 例程200篇】08. 图像的复制（np.copy）
【OpenCV 例程200篇】09. 图像的裁剪（cv2.selectROI）
【OpenCV 例程200篇】10. 图像的拼接（np.hstack）
【OpenCV 例程200篇】11. 图像通道的拆分（cv2.split）
【OpenCV 例程200篇】12. 图像通道的合并（cv2.merge）
【OpenCV 例程200篇】13. 图像的加法运算（cv2.add）
【OpenCV 例程200篇】14. 图像与标量相加（cv2.add）
【OpenCV 例程200篇】15. 图像的加权加法（cv2.addWeight）
【OpenCV 例程200篇】16. 不同尺寸的图像加法
【OpenCV 例程200篇】17. 两张图像的渐变切换
【OpenCV 例程200篇】18. 图像的掩模加法
【OpenCV 例程200篇】19. 图像的圆形遮罩
【OpenCV 例程200篇】20. 图像的按位运算
【OpenCV 例程200篇】21. 图像的叠加
【OpenCV 例程200篇】22. 图像添加非中文文字
【OpenCV 例程200篇】23. 图像添加中文文字
【OpenCV 例程200篇】23. 图像添加中文文字
【OpenCV 例程200篇】24. 图像的仿射变换
【OpenCV 例程200篇】25. 图像的平移
【OpenCV 例程200篇】26. 图像的旋转（以原点为中心）
【OpenCV 例程200篇】27. 图像的旋转（以任意点为中心）
【OpenCV 例程200篇】28. 图像的旋转（直角旋转）
【OpenCV 例程200篇】29. 图像的翻转（cv2.flip）
【OpenCV 例程200篇】30. 图像的缩放（cv2.resize）
【OpenCV 例程200篇】31. 图像金字塔（cv2.pyrDown）
【OpenCV 例程200篇】32. 图像的扭变（错切）
【OpenCV 例程200篇】33. 图像的复合变换
【OpenCV 例程200篇】34. 图像的投影变换
【OpenCV 例程200篇】35. 图像的投影变换（边界填充）
【OpenCV 例程200篇】36. 直角坐标与极坐标的转换
【OpenCV 例程200篇】37. 图像的灰度化处理和二值化处理
【OpenCV 例程200篇】38. 图像的反色变换（图像反转）
【OpenCV 例程200篇】39. 图像灰度的线性变换
【OpenCV 例程200篇】40. 图像分段线性灰度变换
【OpenCV 例程200篇】41. 图像的灰度变换（灰度级分层）
【OpenCV 例程200篇】42. 图像的灰度变换（比特平面分层）
【OpenCV 例程200篇】43. 图像的灰度变换（对数变换）
【OpenCV 例程200篇】44. 图像的灰度变换（伽马变换）
【OpenCV 例程200篇】45. 图像的灰度直方图
【OpenCV 例程200篇】46. 直方图均衡化
【OpenCV 例程200篇】47. 图像增强—直方图匹配
【OpenCV 例程200篇】48. 图像增强—彩色直方图匹配
【OpenCV 例程200篇】49. 图像增强—局部直方图处理
【OpenCV 例程200篇】50. 图像增强—直方图统计量图像增强
【OpenCV 例程200篇】51. 图像增强—直方图反向追踪
【OpenCV 例程200篇】52. 图像的相关与卷积运算
【OpenCV 例程200篇】53. Scipy 实现图像二维卷积
【OpenCV 例程200篇】54. OpenCV 实现图像二维卷积
【OpenCV 例程200篇】55. 可分离卷积核
【OpenCV 例程200篇】56. 低通盒式滤波器
【OpenCV 例程200篇】57. 低通高斯滤波器
【OpenCV 例程200篇】58. 非线性滤波—中值滤波
【OpenCV 例程200篇】59. 非线性滤波—双边滤波
【OpenCV 例程200篇】60. 非线性滤波—联合双边滤波
【OpenCV 例程200篇】61. 导向滤波（Guided filter）
【OpenCV 例程200篇】62. 图像锐化——钝化掩蔽
【OpenCV 例程200篇】63. 图像锐化——Laplacian 算子
【OpenCV 例程200篇】64. 图像锐化——Sobel 算子
【OpenCV 例程200篇】65. 图像锐化——Scharr 算子
【OpenCV 例程200篇】66. 图像滤波之低通/高通/带阻/带通
【OpenCV 例程200篇】67. 空间域图像增强的综合应用
【OpenCV 例程200篇】68. 空间域图像增强的综合应用
【OpenCV 例程200篇】69. 连续非周期信号的傅立叶系数
【OpenCV 例程200篇】70. 一维连续函数的傅里叶变换
【OpenCV 例程200篇】71. 连续函数的取样
【OpenCV 例程200篇】72. 一维离散傅里叶变换
【OpenCV 例程200篇】73. 二维连续傅里叶变换
【OpenCV 例程200篇】74. 图像的抗混叠
【OpenCV 例程200篇】75. Numpy 实现图像傅里叶变换
【OpenCV 例程200篇】76. OpenCV 实现图像傅里叶变换
【OpenCV 例程200篇】77. OpenCV 实现快速傅里叶变换
【OpenCV 例程200篇】78. 频率域图像滤波基础
【OpenCV 例程200篇】79. 频率域图像滤波的基本步骤
【OpenCV 例程200篇】80. 频率域图像滤波详细步骤
【OpenCV 例程200篇】81. 频率域高斯低通滤波器
【OpenCV 例程200篇】82. 频率域巴特沃斯低通滤波器
【OpenCV 例程200篇】83. 频率域低通滤波：印刷文本字符修复
【OpenCV 例程200篇】84. 由低通滤波器得到高通滤波器
【OpenCV 例程200篇】85. 频率域高通滤波器的应用
【OpenCV 例程200篇】86. 频率域滤波应用：指纹图像处理
【OpenCV 例程200篇】87. 频率域钝化掩蔽
【OpenCV 例程200篇】88. 频率域拉普拉斯高通滤波
【OpenCV 例程200篇】89. 带阻滤波器的传递函数
【OpenCV 例程200篇】90. 频率域陷波滤波器
【OpenCV 例程200篇】91. 高斯噪声、瑞利噪声、爱尔兰噪声
【OpenCV 例程200篇】92. 指数噪声、均匀噪声、椒盐噪声
【OpenCV 例程200篇】93. 噪声模型的直方图
【OpenCV 例程200篇】94. 算术平均滤波器
【OpenCV 例程200篇】95. 几何均值滤波器
【OpenCV 例程200篇】96. 谐波平均滤波器
【OpenCV 例程200篇】97. 反谐波平均滤波器
【OpenCV 例程200篇】98. 统计排序滤波器
【OpenCV 例程200篇】99. 修正阿尔法均值滤波器
【OpenCV 例程200篇】100. 自适应局部降噪滤波器
智能推荐
去掉txt文件内的换行符-程序员宅基地
文章浏览阅读5.8k次。在txt文件内，直接用^p来搜索换行符并不行，所以有时候面对很多行数字（如手机号）的时候，如果想去掉换行符，我就粘贴到word里，再替换。但是这样效率很慢，粘一万条手机号都要等很久，后来通过搜索找到一个好办法，把txt文件另存为html文件，里边的换行符就会删除掉，变成了空格，这时候我们只要把html文件里内容重新粘回txt文档，把空格替换掉就可以了，速度很快。转载于:https..._txt里有怎么消除
SpotMicro 12自由度四足机器人制作（两套方案）-程序员宅基地
文章浏览阅读4k次，点赞8次，收藏56次。提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录前言一、方案确立二、使用步骤1.引入库2.读入数据总结前言老板想做个大号的四足，让我先做个小的练练手，两套方案均基于树莓派。一、方案确立大致情况如下方链接所示。前面的动态图是基于ROS-kinectic系统，后面的图是树莓派原生系统。二、使用步骤1.引入库代码如下（示例）：import numpy as npimport pandas as pdimport matplotlib.pyplot as plti_spotmicro
【愚公系列】2023年07月 Python自动化办公之win32com操作excel-程序员宅基地
文章浏览阅读6k次。python中能操作Excel的库主要有以下9种：本文主要针对win32com读取 写入 修改 操作Excel进行详细介绍win32com是Python的一个模块，它提供了访问Windows平台上的COM组件和Microsoft Office应用程序的能力。通过该模块，Python程序可以与Windows平台上的其他应用程序交互，例如实现自动化任务、自动化报告生成等功能。_win32com
sql审核工具 oracle,Oracle SQL Developer工具-程序员宅基地
文章浏览阅读326次。Oracle SQL Developer工具下载解压了Oracle SQL Developer工具，运行时，启动不了，报错信息如下：---------------------------Unable to create an instance of the Java Virtual MachineLocated at path:\jdk\jre\bin\client\jvm.dll--------..._开源oracle sql审核工具
百度实习面经2022-4-24（第一次面试，暂时只面了一场，感觉人无了）_百度实习面试-程序员宅基地
文章浏览阅读3.5k次。百度实习面经2022-4-26（第一次面试，只面了一场，感觉人无了）_百度实习面试
ipv6隧道穿越ipv4互联实验-程序员宅基地
文章浏览阅读142次。实验名称：ipv6隧道穿越ipv4互联实验实验目的：配置隧道让ipv6能穿越ipv4实现互联实验拓扑图： 实验详细配置步骤：R1Router>enRouter#conf tRouter(config)#line con 0Router(config-line)#logg syncRouter(config-line)#exitRouter(co...
随便推点
antd date-picker 默认时间设置问题_a-date-picker 默认值-程序员宅基地
文章浏览阅读1.3w次，点赞7次，收藏8次。一.官网给出的例子<template> <div> <a-date-picker :default-value="moment('2015/01/01', dateFormat)" :format="dateFormat"/> <br /> <a-date-picker :default-value="moment('01/01/2015', dateFormatList[0])" :format="dateFormatList"/_a-date-picker 默认值
python已知两边求第三边_已知两边求第三边公式-程序员宅基地
文章浏览阅读2.4k次。各位家长好，我是家长无忧(jiazhang51.cn)专栏作者，七玥老师全文共计549字，建议阅读2分钟如果是三角形是直角三角形，了解两侧，可以用勾股定理求出第三边。如果是三角形是一般三角形(钝角、钝角三角形)，那这一标准下只有求出第三边的范畴：两边之和超过第三边，两侧之差低于第三边。求边公式计算只了解两侧相同假如一个是底部一个是腰得话，这个是正三角形，第三边就等于腰。假如只了解等腰三角形腰长，那..._输入两边长度自动得出第三边长度 并排序
达梦数据库--学习总结-程序员宅基地
文章浏览阅读697次。达梦概述：1. 达梦：达梦数据库管理系统是达梦公司推出的具有完全自主知识产权的高性能数据库管理系统，简称DM。2. 2019年新一代达梦数据库管理系DM8发布。（二）特点：1. 通用性：达梦数据库管理系统兼容多种硬件体系，可运行于X86、X64、SPARC、POWER等硬件体系之上。2. 高性能：支持列存储、数据压缩、物化视图等面向联机事务分析场景的优化选项。3. 高可用：可配置数据守护系统（主备），自动快速故障恢复，具有强大的容灾处理能力。_达梦数据库
神经网络(优化算法)_nnet-程序员宅基地
文章浏览阅读1.2w次。神经网络(优化算法)人工神经网络(ANN)，简称神经网络，是一种模仿生物神经网络的结构和功能的数学模型或计算模型。神经网络由大量的人工神经元联结进行计算。大多数情况下人工神经网络能在外界信息的基础上改变内部结构，是一种自适应系统。现代神经网络是一种非线性统计性数据建模工具，常用来对输入和输出间复杂的关系进行建模，或用来探索数据的模式。人工神经网络从以下四个方面去模拟人的智能行为:_nnet
＜video＞标签及属性说明_video标签-程序员宅基地
文章浏览阅读5.5w次，点赞56次，收藏300次。实例HTML <video> 标签一段简单的 HTML5 视频：<video src="video.mp4" controls="controls">您的浏览器不支持 video 标签。</video>属性性 值 描述 autoplay autoplay 如果出现该属性，则视频在就绪后马上播放。 controls controls 如果出现该属性，则向用户显示控件，比如播放按钮。 height_video标签
LRU算法四种实现方式介绍_lru 实现-程序员宅基地
文章浏览阅读2.3k次。LRU全称是LeastRecently Used，即最近最久未使用的意思。LRU算法的设计原则是：如果一个数据在最近一段时间没有被访问到，那么在将来它被访问的可能性也很小。也就是说，当限定的空间已存满数据时，应当把最久没有被访问到的数据淘汰。实现LRU1. 用一个数组来存储数据，给每一个数据项标记一个访问时间戳，每次插入新数据项的时候，先把数组中存在的数据项的时间戳自增，并将新数据项的时间戳置为0并插入到数组中。每次访问数组中的数据项的时候，将被访问的数据项的时间戳置为0。当数组空间已..._lru 实现