11

我正在尝试在图像上应用 Sobel 过滤器以使用 scipy 检测边缘。我在 Windows 7 Ultimate（64 位）上使用 Python 3.2（64 位）和 scipy 0.9.0。目前我的代码如下：

import scipy
from scipy import ndimage

im = scipy.misc.imread('bike.jpg')
processed = ndimage.sobel(im, 0)
scipy.misc.imsave('sobel.jpg', processed)

我不知道我做错了什么，但处理后的图像看起来不像它应该的那样。图像“bike.jpg”是灰度（模式“L”而不是“RGB”）图像，因此每个像素只有一个与之关联的值。

不幸的是，我还不能在这里发布图片（没有足够的声誉），但我在下面提供了链接：

原图（bike.jpg）： http ://s2.postimage.org/64q8w613j/bike.jpg

Scipy 过滤（sobel.jpg）： http ://s2.postimage.org/64qajpdlb/sobel.jpg

预期输出： http ://s1.postimage.org/5vexz7kdr/normal_sobel.jpg

我显然在某个地方出错了！有人可以告诉我在哪里。谢谢。

4

3 回答 3

29

1）使用更高的精度。2）您只计算沿零轴的导数的近似值。Wikipedia上解释了 2D Sobel 算子。试试这个代码：

import numpy
import scipy
from scipy import ndimage

im = scipy.misc.imread('bike.jpg')
im = im.astype('int32')
dx = ndimage.sobel(im, 0)  # horizontal derivative
dy = ndimage.sobel(im, 1)  # vertical derivative
mag = numpy.hypot(dx, dy)  # magnitude
mag *= 255.0 / numpy.max(mag)  # normalize (Q&D)
scipy.misc.imsave('sobel.jpg', mag)
于 2011-08-25T07:30:18.293 回答
8

我无法评论 cgohlke 的回答，所以我用更正的方式重复了他的回答。参数0用于垂直导数，1用于水平导数（图像阵列的第一轴是 y/垂直方向 - 行，第二轴是 x/水平方向 - 列）。只是想警告其他用户，因为我在错误的地方搜索错误浪费了 1 小时。

import numpy
import scipy
from scipy import ndimage

im = scipy.misc.imread('bike.jpg')
im = im.astype('int32')
dx = ndimage.sobel(im, 1)  # horizontal derivative
dy = ndimage.sobel(im, 0)  # vertical derivative
mag = numpy.hypot(dx, dy)  # magnitude
mag *= 255.0 / numpy.max(mag)  # normalize (Q&D)
scipy.misc.imsave('sobel.jpg', mag)
于 2014-11-08T16:22:34.370 回答
1

或者您可以使用：

def sobel_filter(im, k_size):

    im = im.astype(np.float)
    width, height, c = im.shape
    if c > 1:
        img = 0.2126 * im[:,:,0] + 0.7152 * im[:,:,1] + 0.0722 * im[:,:,2]
    else:
        img = im

    assert(k_size == 3 or k_size == 5);

    if k_size == 3:
        kh = np.array([[-1, 0, 1], [-2, 0, 2], [-1, 0, 1]], dtype = np.float)
        kv = np.array([[1, 2, 1], [0, 0, 0], [-1, -2, -1]], dtype = np.float)
    else:
        kh = np.array([[-1, -2, 0, 2, 1], 
                   [-4, -8, 0, 8, 4], 
                   [-6, -12, 0, 12, 6],
                   [-4, -8, 0, 8, 4],
                   [-1, -2, 0, 2, 1]], dtype = np.float)
        kv = np.array([[1, 4, 6, 4, 1], 
                   [2, 8, 12, 8, 2],
                   [0, 0, 0, 0, 0], 
                   [-2, -8, -12, -8, -2],
                   [-1, -4, -6, -4, -1]], dtype = np.float)

    gx = signal.convolve2d(img, kh, mode='same', boundary = 'symm', fillvalue=0)
    gy = signal.convolve2d(img, kv, mode='same', boundary = 'symm', fillvalue=0)

    g = np.sqrt(gx * gx + gy * gy)
    g *= 255.0 / np.max(g)

    #plt.figure()
    #plt.imshow(g, cmap=plt.cm.gray)      

    return g

更多请看这里

于 2017-04-14T02:04:45.847 回答