作用和适用场景:
Scharr算子主要用于图像边缘检测,特别是对于边缘细节较多的图像。它可以提供更强的边缘响应,相比于其他算子,更能够准确地检测到图像中的细微变化,因此适用于对细节要求较高的图像处理任务。
示例代码:
在 OpenCV 中,可以使用 cv2.Scharr()
函数来应用Scharr算子进行图像边缘检测。
import cv2
import numpy as np
def show_images(image):
cv2.namedWindow('image',cv2.WINDOW_KEEPRATIO)
cv2.imshow('image',image)
cv2.waitKey()
cv2.destroyAllWindows()
def Scharr(image):
# 应用Scharr算子进行边缘检测
grad_x=cv2.Scharr(image,cv2.CV_64F,1,0)# 在x方向上计算梯度
grad_y=cv2.Scharr(image,cv2.CV_64F,0,1)# 在y方向上计算梯度
abs_x=cv2.convertScaleAbs(grad_x)
abs_y=cv2.convertScaleAbs(grad_y)
grad_xy=cv2.addWeighted(abs_x,0.5,abs_y,0.5,0)
return grad_x,grad_y,grad_xy
if __name__ == '__main__':
# 读取图像
img = cv2.imread('cat-dog.png', flags=0)
re_img=Scharr(img)
# 将四张图像连接成一个大图像
top_row = np.hstack((img, re_img[0]))
bottom_row = np.hstack((re_img[1], re_img[2]))
combined_img = np.vstack((top_row, bottom_row))
show_images(combined_img)
原文地址:https://blog.csdn.net/qq_50993557/article/details/134539086
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。
如若转载,请注明出处:http://www.7code.cn/show_3847.html
如若内容造成侵权/违法违规/事实不符,请联系代码007邮箱:suwngjj01@126.com进行投诉反馈,一经查实,立即删除!
声明:本站所有文章,如无特殊说明或标注,均为本站原创发布。任何个人或组织,在未征得本站同意时,禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益,可联系我们进行处理。