Python图像处理丨认识图像锐化和边缘提取的4个算子

摘要：图像锐化和边缘提取技术可以消除图像中的噪声，提取图像信息中用来表征图像的一些变量，为图像识别提供基础。

本文分享自华为云社区《[Python图像处理] 十七.图像锐化与边缘检测之Roberts算子、Prewitt算子、Sobel算子和Laplacian算》，作者： eastmount 。

成都创新互联公司致力于互联网品牌建设与网络营销，包括做网站、成都做网站、SEO优化、网络推广、整站优化营销策划推广、电子商务、移动互联网营销等。成都创新互联公司为不同类型的客户提供良好的互联网应用定制及解决方案，成都创新互联公司核心团队10年专注互联网开发，积累了丰富的网站经验，为广大企业客户提供一站式企业网站建设服务，在网站建设行业内树立了良好口碑。

由于收集图像数据的器件或传输数图像的通道的存在一些质量缺陷，文物图像时间久远，或者受一些其他外界因素、动态不稳定抓取图像的影响，使得图像存在模糊和有噪声的情况，从而影响到图像识别工作的开展。这时需要开展图像锐化和边缘检测处理，加强原图像的高频部分，锐化突出图像的边缘细节，改善图像的对比度，使模糊的图像变得更清晰。

图像锐化和边缘提取技术可以消除图像中的噪声，提取图像信息中用来表征图像的一些变量，为图像识别提供基础。通常使用灰度差分法对图像的边缘、轮廓进行处理，将其凸显。本文分别采用Laplacian算子、Robert算子、Prewitt算子和Sobel算子进行图像锐化边缘处理实验。本文主要讲解灰度线性变换，基础性知识希望对您有所帮助。

该系列在github所有源代码：https://github.com/eastmountyxz/ImageProcessing-Python

一.Roberts算子

Roberts算子又称为交叉微分算法，它是基于交叉差分的梯度算法，通过局部差分计算检测边缘线条。常用来处理具有陡峭的低噪声图像，当图像边缘接近于正45度或负45度时，该算法处理效果更理想。其缺点是对边缘的定位不太准确，提取的边缘线条较粗。

Roberts算子的模板分为水平方向和垂直方向，如公式（11.7）所示，从其模板可以看出，Roberts算子能较好的增强正负45度的图像边缘。

详细计算公式如下所示：（PS-下图参考自己的书和论文）

在Python中，Roberts算子主要通过Numpy定义模板，再调用OpenCV的filter2D()函数实现边缘提取。该函数主要是利用内核实现对图像的卷积运算，其函数原型如下所示：

dst = filter2D(src, ddepth, kernel[, dst[, anchor[, delta[, borderType]]]])

• src表示输入图像
• dst表示输出的边缘图，其大小和通道数与输入图像相同
• ddepth表示目标图像所需的深度
• kernel表示卷积核，一个单通道浮点型矩阵
• anchor表示内核的基准点，其默认值为（-1，-1），位于中心位置
• delta表示在储存目标图像前可选的添加到像素的值，默认值为0
• borderType表示边框模式

Python实现代码如下所示：

# -*- coding: utf-8 -*-
import cv2  
import numpyas np  
import matplotlib.pyplotas plt
#读取图像
img= cv2.imread('lena.png')
lenna_img= cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
#灰度化处理图像
grayImage= cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
#Roberts算子
kernelx= np.array([[-1,0],[0,1]], dtype=int)
kernely= np.array([[0,-1],[1,0]], dtype=int)
x= cv2.filter2D(grayImage, cv2.CV_16S, kernelx)
y= cv2.filter2D(grayImage, cv2.CV_16S, kernely)
#转uint8 
absX= cv2.convertScaleAbs(x) 
absY= cv2.convertScaleAbs(y) 
Roberts= cv2.addWeighted(absX,0.5,absY,0.5,0)
#用来正常显示中文标签
plt.rcParams['font.sans-serif']=['SimHei']
#显示图形
titles= [u'原始图像', u'Roberts算子'] 
images= [lenna_img, Roberts] 
for i in xrange(2): 
 plt.subplot(1,2,i+1), plt.imshow(images[i], 'gray') 
 plt.title(titles[i]) 
 plt.xticks([]),plt.yticks([]) 
plt.show()