Python 如何使用OpenCV将渐变/幅度应用于图像？

目前，我正在跟随一项大学作业，在该作业中，我们应该自己实施canny边缘检测。应用高斯模糊没有任何问题，但现在我试图显示网站上显示的强度大小

我实现了上述网站上的功能，并创建了运行canny边缘检测的功能。目前，该函数是这样的：

def canny_edge(img):
    noise_reduction = cv.filter2D(img, -1, gaussian_kernel(5))
    cv.imshow('Blur', noise_reduction)
    magnitude, gradient = sobel_filters(img)
    magnitude = magnitude.astype(np.uint8)
    sobel = magnitude * gradient
    sobel = sobel.astype(np.uint8)
    test = img + (255 - gradient * noise_reduction)
    plt.imshow(gradient, cmap='gray')
    plt.show()
    cv.imshow('Gradient', magnitude)
    cv.imshow('Original Image', img)

我必须将震级和sobel数组转换为

np.uint8

，否则它们将包含

float

值，从而导致显示图像时出错。目前，我正在使用变量

test

尝试各种方法，比如

梯度-降噪

，上面的线条等等。问题是我总是得到与这些类似的图像（左侧图像显示

测试

，右侧图像显示

梯度

，底部图像显示

幅度

）：

---

我不太熟悉所有可用的OpenCV函数，但我想可能需要使用其中一些我不知道的函数来实现此目的。不幸的是，我无法在教程链接中找到有关如何将

sobel\u filters

函数返回的幅值应用于图像的任何信息以上是ed。提前感谢您对如何解决此问题的任何意见。

我认为ndimage.filters.convalve可能存在问题。我得到了与您类似的结果。但是使用Python/OpenCV，以下内容似乎可以很好地工作

输入：

震级：

方向：

---

我想你可能需要在

.astype（np.uint8）

之前添加

.clip（0255）

。看起来你得到了强度环绕。好的，我加入了

震级=震级。clip（0255）

直接将数组转换为

np.uint8

之前，我仍然得到相同的结果，因此我想这不是问题所在。我还假设

.clip（0255）

只是确保值介于0和255之间，但据我记忆所及，如果值高于255，OpenCV还会向控制台打印一条警告，并说明如何在255处自动剪裁值。不过还是要感谢您的这一想法。提供了什么工具或代码

sobel_filters（）

？这会给出sobel梯度的x和y分量还是大小和方向？您将输出标记为大小和梯度。对于sobel操作来说，这似乎不正确，因为sobel操作通常只提供梯度的x和y分量。该函数在我链接的网站上定义。如果我了解该网站正确地说，它在x和y方向应用Sobel运算符，并返回“梯度的幅值G和斜率θ”。至少这是直接写在代码段上方的内容，实际上对应于返回的变量。由于变量是根据数学公式计算的，梯度的大小及其方向应该是函数提供的。这一切似乎都是正确的。您是否查看了每个步骤以确保结果看起来合理？我可以让scipy.ndimage.convolve给出类似的结果。您需要使输入图像浮动，或者至少在高斯滤波器工作后我这样做了。另一个注释。OpenCV的filter2D不进行相关而不是真正的卷积。因此在scipy中，您需要使用correlate不卷积得到相似的极性，这只会影响方向，而不会影响大小。

import cv2
import numpy as np
import skimage.exposure

img = cv2.imread('black_dress.png', cv2.IMREAD_GRAYSCALE)

img = cv2.GaussianBlur(img, (0,0), sigmaX=1.5, sigmaY=1.5)

Kx = np.array([[-1, 0, 1], 
               [-2, 0, 2], 
               [-1, 0, 1]])
Ky = np.array([[1,   2,  1], 
               [0,   0,  0], 
              [-1,  -2, -1]])

Ix = cv2.filter2D(img, -1, Kx)
Iy = cv2.filter2D(img, -1, Ky)

G = np.hypot(Ix, Iy)
G = skimage.exposure.rescale_intensity(G, in_range='image', out_range=(0,255)).astype(np.uint8)

theta = np.arctan2(Iy, Ix)
theta = skimage.exposure.rescale_intensity(theta, in_range='image', out_range=(0,255)).astype(np.uint8)
   
cv2.imwrite('black_dress_gradient_magnitude.png', G)
cv2.imwrite('black_dress_gradient_direction.png', theta)

cv2.imshow("magnitude", G)
cv2.imshow("direction", theta)
cv2.waitKey(0)