Mahotas - Sobel 边缘检测
Sobel 边缘检测是一种用于识别图像边缘的算法。边缘表示不同区域之间的边界。它通过计算每个像素处图像强度的梯度来工作。
简而言之,它测量像素值的变化以确定高变化区域,这些区域对应于图像中的边缘。
Mahotas 中的 Sobel 边缘检测
在 Mahotas 中,我们可以使用 mahotas.sobel() 函数来检测图像中的边缘。
Sobel 函数使用两个单独的过滤器,一个用于水平变化 (Gx),另一个用于垂直变化 (Gy)。
这些过滤器通过将它们与图像的像素值卷积应用于图像。这将计算水平和垂直方向上的梯度。
一旦获得两个方向的梯度,Sobel 函数就会将它们组合起来,计算每个像素的总体梯度幅度。
这是使用勾股定理完成的,该定理计算水平和垂直梯度平方和的平方根。
$$\mathrm{M\:=\:\sqrt{(Gx^{2}\:+\:Gy^{2})}}$$
图像的最终梯度幅度 (M) 表示原始图像中边缘的强度。值越高表示边缘越强,值越低表示区域越平滑。
mahotas.sobel() 函数
mahotas.sobel() 函数以灰度图像作为输入并返回二值图像作为输出,其中使用 Sobel 边缘检测算法计算边缘。
结果图像中的白色像素表示边缘,而黑色像素表示其他区域。
语法
以下是 mahotas − 中 sobel() 函数的基本语法
mahotas.sobel(img, just_filter=False)
其中,
img −它是输入的灰度图像。
just_filter(可选) − 它是一个标志,指定是否对过滤后的图像进行阈值处理(默认值为 false)。
示例
在下面的例子中,我们使用 Sobel 边缘检测算法通过 mh.sobel() 函数检测边缘。
import mahotas as mh import numpy as np import matplotlib.pyplot as mtplt # 加载图像 image = mh.imread('sea.bmp') # 将其转换为灰度 image = mh.colors.rgb2gray(image) # 应用 sobel 梯度检测边缘 sobel = mh.sobel(image) # 为子图创建图形和轴 fig, axis = mtplt.subplots(1, 2) # 显示原始图像 axes[0].imshow(image) axes[0].set_title('Original Image') axes[0].set_axis_off() # 显示边缘 axes[1].imshow(sobel) axes[1].set_title('Sobel Edge Detection') axes[1].set_axis_off() # 调整子图之间的间距 mtplt.tight_layout() # 显示图 mtplt.show()
输出
以下是上述代码的输出 −

不进行阈值处理的输出图像
我们也可以执行 Sobel 边缘检测算法,而无需对输出图像进行阈值处理。阈值处理是指通过将像素分类为前景或背景,将图像转换为二值图像。
通过将像素的强度值与阈值(固定)值进行比较来进行转换。
在 mahotas 中,sobel() 函数中的 just_filter 参数决定是否对输出图像进行阈值处理。我们可以将此参数设置为"True",以防止对输出图像进行阈值处理。
如果将过滤器设置为"False",则对输出图像进行阈值处理。
示例
在下面提到的示例中,我们在使用 Sobel 边缘检测算法时不会对输出图像进行阈值处理。
import mahotas as mh import numpy as np import matplotlib.pyplot as mtplt # 加载图像 image = mh.imread('sun.png') # 将其转换为灰度 image = mh.colors.rgb2gray(image) # 应用 sobel 梯度检测边缘 sobel = mh.sobel(image, just_filter=True) # 为子图创建图形和轴 fig, axis = mtplt.subplots(1, 2) # 显示原始图像 axes[0].imshow(image) axes[0].set_title('Original Image') axes[0].set_axis_off() # 显示边缘 axes[1].imshow(sobel) axes[1].set_title('Sobel Edge Detection') axes[1].set_axis_off() # 调整子图之间的间距 mtplt.tight_layout() # 显示图 mtplt.show()
输出
执行上述代码后,我们得到以下输出 −

在阈值图像上
Sobel 边缘检测也可以在阈值图像上执行。阈值图像是二值图像,其中像素被分类为前景或背景。
前景像素为白色,用值 1 表示,而背景像素为黑色,用值 0 表示。
在 mahotas 中,我们首先使用任何阈值算法对输入图像进行阈值处理。让我们假设Bernsen 阈值算法。这可以通过在灰度图像上使用 mh.thresholding.bernsen() 函数来实现。
然后,我们应用 Sobel 边缘检测算法来检测阈值图像的边缘。
示例
在这里,我们使用 Sobel 边缘检测算法在阈值图像上检测图像的边缘。
import mahotas as mh import numpy as np import matplotlib.pyplot as mtplt # 加载图像 image = mh.imread('tree.tiff') # 将其转换为灰度 image = mh.colors.rgb2gray(image) # 在图像上应用阈值 threshold_image = mh.thresholding.bernsen(image, 17, 19) # 应用 sobel 梯度检测边缘 sobel = mh.sobel(threshold_image) # 为子图创建图形和轴 fig, axis = mtplt.subplots(1, 2) # 显示原始图像 axes[0].imshow(image) axes[0].set_title('Original Image') axes[0].set_axis_off() # 显示边缘 axes[1].imshow(sobel) axes[1].set_title('Sobel Edge Detection') axes[1].set_axis_off() # 调整间距子图 mtplt.tight_layout() # 显示图形 mtplt.show()
输出
执行上述代码后,我们得到以下输出 −
