边缘梯度 Python

Gradient of edges Python

我有一个包含两个 类 图像的数据集:Cityscape 和 Landscape。我想要做的是计算每个图像边缘的梯度(方向)并显示城市景观图像比风景图像具有更多 vertical/horizontal 边缘。

我所做的是计算垂直、水平、45度和135度的边缘。我对图像应用了 Canny 过滤器,计算了 x,y 梯度,并对图像应用了一个阈值,表明它显示了高于该阈值的边缘。此处可以看到此阈值处理的结果:

这是我用于此图像处理以及计算梯度的代码:

def gradient(image):    

    # Step 1
    img = image
    gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

    # Step 2
    bi = cv2.bilateralFilter(gray, 15, 75, 75)

    # Step 3
    dst = cv2.Canny(bi, 100, 200)
    #print(np.count_nonzero(dst))  #--> make sure it's not all zeroes

    # Step 4
    #--- create a black image to see where those edges occur ---
    mask = np.zeros_like(gray)

    #--- applying a threshold and turning those pixels above the threshold to white ---           
    mask[dst > 0.1 * dst.max()] = 255

    # Step 5
    img[dst > 0.1 * dst.max()] = [255, 0, 0]   #--- [255, 0, 0] --> Red ---

    Gx = cv2.Sobel(mask,cv2.CV_64F,1,0,ksize=5)
    Gy = cv2.Sobel(mask,cv2.CV_64F,0,1,ksize=5)

    #orientation of the edges
    theta = np.arctan2(Gy, Gx)

    #magnitude
    M = np.sqrt(Gx*Gx + Gy*Gy)

    #Vertical edges: 
    v = abs(Gy)

    #Horizontal edges: 
    h = abs(Gx)

    #45 Degree edges: 
    deg45 = M*abs(np.cos(theta - np.pi/4))

    #135 Degree edges: 
    deg135 = M*abs(np.cos(theta - 3*np.pi/4))

    print('Vertical:')
    #print(v)
    print(np.count_nonzero(v))
    print('Horizontal:')
    #print(h)
    print(np.count_nonzero(h))

我想要的是为上图中显示为红色的边缘计算 v,h,deg45,deg135(第 5 步)。如果这不可能,则对具有白色边缘的图像执行此操作(步骤 4)。有人可以帮忙吗?

编辑: 为了避免混淆,我想做的是获取给定图像中垂直、水平等边缘的数量,以便我可以比较它们城市景观与风景图像的数字。

如果您想要的是包含水平边缘与垂直边缘的像素总数,我建议为水平与垂直定义一些阈值(比如 15 度)。所以你可以计算 theta 的元素数量 abs(theta) < pi/12(横向) 或 abs(theta) > pi-pi/12(水平) 或 pi/2 - pi/12 < abs(theta) < pi/2+pi/12(垂直)

您在 vh 中存储的是每个点的梯度的垂直和水平分量,您需要比较 vv 的值h 来确定每个点的梯度向量是水平的还是垂直的。比较 theta 可能是最直观的方法。

为了获得满足特定条件的 theta 元素的数量,我建议使用 generator expression:

sum(1 for i in theta if (abs(i)<pi/12) or (abs(i)>pi-pi/12))

例如会给你水平边缘像素的数量。

如果你想计算或控制图像中有多少线性特征,我认为 Hough 变换更适合你的需要,你可以计算每个特定方向有多少线性特征(在 hough space).一旦您开始使用 Python,this and this link 可能会有帮助!