Comment effectuer un filtrage dégradé sur des images à l'aide de Python

Comment utiliser Python pour effectuer un filtrage dégradé sur des images

Le filtrage dégradé est une technique couramment utilisée dans le traitement d'images numériques pour détecter les informations de bord et de contour dans les images. En Python, nous pouvons utiliser la bibliothèque OpenCV pour implémenter le filtrage dégradé. Cet article expliquera comment utiliser Python pour effectuer un filtrage dégradé sur les images et joindra des exemples de code pour référence.

Le principe du filtrage dégradé est de déterminer la position du bord en calculant la différence de valeurs de pixels autour du pixel. De manière générale, les bords d'une image sont généralement représentés comme des zones dans lesquelles la valeur de gris de l'image change de manière plus radicale. Par conséquent, le filtrage par dégradé peut trouver des bords en calculant le différentiel de premier ou de deuxième ordre de l'échelle de gris de l'image.

Ce qui suit est un exemple de code pour implémenter le filtrage de dégradé à l'aide de Python et de la bibliothèque OpenCV :

import cv2
import numpy as np

# 读取图片
image = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)

# 使用Sobel算子计算图像梯度
gradient_x = cv2.Sobel(image, cv2.CV_64F, 1, 0, ksize=3)
gradient_y = cv2.Sobel(image, cv2.CV_64F, 0, 1, ksize=3)

# 计算梯度幅值
gradient_magnitude = np.sqrt(np.square(gradient_x) + np.square(gradient_y))

# 将梯度幅值映射到0-255的灰度空间
gradient_magnitude = cv2.normalize(gradient_magnitude, None, 0, 255, cv2.NORM_MINMAX, cv2.CV_8U)

# 显示原图和梯度图像
cv2.imshow('original', image)
cv2.imshow('gradient', gradient_magnitude)
cv2.waitKey(0)
cv2.destroyAllWindows()

Tout d'abord, nous utilisons la fonction cv2.imread() pour lire une image en niveaux de gris. Ici, vous devez spécifier le chemin et le mode de lecture de l'image : cv2.IMREAD_GRAYSCALE signifie lire l'image en mode niveaux de gris. cv2.imread()函数读取一张灰度图像。这里需要指定图像的路径和读取模式：cv2.IMREAD_GRAYSCALE表示将图像以灰度模式读取。

接下来，我们使用cv2.Sobel()函数计算图像的梯度。这里的参数包括输入图像、计算梯度的顺序（x方向或y方向）、导数的阶数、以及Sobel算子的大小。Sobel算子是一种常用的边缘检测算子，通过对图像灰度值进行一阶微分来计算梯度。

然后，我们可以通过对梯度在x和y方向上进行平方和开方的运算，得到梯度幅值。这个操作使用了NumPy库提供的函数np.square()和np.sqrt()。

最后，我们将梯度幅值映射到0-255的灰度空间，使用cv2.normalize()函数进行归一化处理。

最后，我们使用cv2.imshow()函数显示原图和梯度图像，并使用cv2.waitKey()和cv2.destroyAllWindows()函数等待用户的操作和关闭窗口。

通过以上代码，我们可以对输入图像进行梯度滤波并展示结果。如果想要实现其他的梯度滤波算法，可以尝试使用cv2.filter2D()

Ensuite, nous utilisons la fonction cv2.Sobel() pour calculer le dégradé de l'image. Les paramètres incluent ici l'image d'entrée, l'ordre dans lequel le gradient est calculé (direction x ou direction y), l'ordre de la dérivée et la taille de l'opérateur Sobel. L'opérateur Sobel est un opérateur de détection de contour couramment utilisé qui calcule le gradient en effectuant une différenciation de premier ordre sur la valeur de gris de l'image.

Ensuite, nous pouvons obtenir l'amplitude du gradient en effectuant des opérations de racine carrée et carrée sur le gradient dans les directions x et y. Cette opération utilise les fonctions np.square() et np.sqrt() fournies par la bibliothèque NumPy. 🎜🎜Enfin, nous mappons l'amplitude du dégradé sur l'espace en niveaux de gris de 0 à 255 et utilisons la fonction cv2.normalize() pour la normalisation. 🎜🎜Enfin, nous utilisons la fonction cv2.imshow() pour afficher l'image originale et l'image dégradée, et utilisons cv2.waitKey() et cv2.destroyAllWindows ()La fonction attend l'opération de l'utilisateur et ferme la fenêtre. 🎜🎜Avec le code ci-dessus, nous pouvons effectuer un filtrage dégradé sur l'image d'entrée et afficher les résultats. Si vous souhaitez implémenter d'autres algorithmes de filtrage de gradient, vous pouvez essayer d'utiliser la fonction <code>cv2.filter2D(), qui fournit une opération de convolution plus flexible. 🎜🎜Le filtrage des dégradés est une technique couramment utilisée dans le traitement des images numériques, qui peut nous aider à extraire des informations sur les bords et les contours des images. J'espère que le contenu de cet article vous sera utile et pourra vous amener à approfondir votre apprentissage et à explorer le domaine du traitement d'image. 🎜

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!