這篇文章主要介紹了opencv python圖像梯度實例詳解,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下

一階導數與Soble算子

二階導數與拉普拉斯算子

圖像邊緣：

Soble算子：

二階導數：

拉普拉斯算子：

import cv2 as cvimport numpy as np# 圖像梯度（由x,y方向上的偏導數和偏移構成），有一階導數（sobel算子）和二階導數（Laplace算子）# 用于求解圖像邊緣，一階的極大值，二階的零點# 一階偏導在圖像中為一階差分，再變成算子（即權值）與圖像像素值乘積相加，二階同理def sobel_demo(image):  grad_x = cv.Sobel(image, cv.CV_32F, 1, 0) # 采用Scharr邊緣更突出  grad_y = cv.Sobel(image, cv.CV_32F, 0, 1)  gradx = cv.convertScaleAbs(grad_x) # 由于算完的圖像有正有負，所以對其取絕對值  grady = cv.convertScaleAbs(grad_y)  # 計算兩個圖像的權值和，dst = src1*alpha + src2*beta + gamma  gradxy = cv.addWeighted(gradx, 0.5, grady, 0.5, 0)  cv.imshow("gradx", gradx)  cv.imshow("grady", grady)  cv.imshow("gradient", gradxy)def laplace_demo(image): # 二階導數，邊緣更細  dst = cv.Laplacian(image,cv.CV_32F)  lpls = cv.convertScaleAbs(dst)  cv.imshow("laplace_demo", lpls)def custom_laplace(image):  # 以下算子與上面的Laplace_demo()是一樣的，增強采用np.array([[1, 1, 1], [1, -8, 1], [1, 1, 1]])  kernel = np.array([[1, 1, 1], [1, -8, 1], [1, 1, 1]])  dst = cv.filter2D(image, cv.CV_32F, kernel=kernel)  lpls = cv.convertScaleAbs(dst)  cv.imshow("custom_laplace", lpls)def main():  src = cv.imread("../images/lena.jpg")  cv.imshow("lena",src)  # sobel_demo(src)  laplace_demo(src)  custom_laplace(src)  cv.waitKey(0) # 等有鍵輸入或者1000ms后自動將窗口消除，0表示只用鍵輸入結束窗口  cv.destroyAllWindows() # 關閉所有窗口if __name__ == '__main__':  main()

以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持武林站長站。