使用scipy應用Sobel濾鏡

Question

我試圖在圖像上應用Sobel濾鏡來使用scipy檢測邊緣。我在Windows 7旗艦版（64位）上使用Python 3.2（64位）和scipy 0.9.0。目前，我的代碼如下：

import scipy 
from scipy import ndimage 

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

我不知道我做錯了什麼，但處理後的圖像看起來並不像它應該什麼。圖像'bike.jpg'是灰度（模式'L'而不是'RGB'）圖像，因此每個像素只有一個與之相關的值。

可惜我不能張貼在這裏的圖像，但（沒有足夠的聲譽），但我提供了下面的鏈接：

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

SciPy的篩選（sobel.jpg）： http://s2.postimage.org/64qajpdlb/sobel.jpg

預期輸出： http://s1.postimage.org/5vexz7kdr/normal_sobel.jpg

我顯然會正確■ omewhere！有人可以告訴我在哪裏。謝謝。

Answer 1

1）使用更高的精度。 2）您只計算沿零軸的導數的近似值。 2D Sobel算子在Wikipedia上解釋。試試這個代碼：

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) 

Answer 2

我無法評論cgohlke的答案，所以我重複了他的答案與修正。參數用於垂直衍生物和爲水平衍生物（第一圖像陣列的軸爲y /垂直方向 - 行，並且第二軸線爲x /水平方向 - 列）。只是想警告其他用戶，因爲我在錯誤的地方找了一個小時尋找錯誤。

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) 

Answer 3

，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 

更多看到here