sobel

0熱度

1回答

我在玩XMPP，因此瞭解XML。這裏是從XMPP文檔檢索所有註冊用戶的一種元素的例子： <iq from='[email protected]/globe' id='get-registered-users-num-1' to='shakespeare.lit' type='set' xml:lang='en'> <command xml

-1熱度

1回答

使用CUDA與索貝爾濾波器進行卷積

所以我在CUDA中實現了（或者至少試過）Sobel濾波器，我的代碼如下。當我執行這個文件時，我得到一個正確的Sobel過濾圖像的一半，另一半是黑色的。我無法上傳圖片，因爲它們的格式爲.pgm。因此，代碼所執行的操作是以.pgm格式的灰度圖像讀取的，並使用共享內存概念將Sobel濾鏡遮罩與其進行卷積。我用一個1024×1024的圖像作爲輸入，它返回一個Sobel濾波圖像，其邊緣有一半水平切割，因此它

0熱度

1回答

在MATLAB中使用索貝爾掩模運算符找到梯度

我使用下面的代碼來使用索貝爾掩模來掩蓋圖像。 for i=1:size(C,1)-2 for j=1:size(C,2)-2 %Sobel mask for x-direction: Gx=((2*C(i+2,j+1)+C(i+2,j)+C(i+2,j+2))-(2*C(i,j+1)+C(i,j)+C(i,j+2))); %Sobel mask for

1熱度

1回答

Skimage filters.sobel_v結果沒有意義。爲什麼？

在scikit-image's documentation它說，用於檢測縱向線條的內核，就是： 1 0 -1 2 0 -2 1 0 -1 如果我做的： img = np.array([[1.0, 2.0, 3.0], [4, 5, 6], [7, 8, 9]]) Lx = filters.sobel_v(img) 和，然後打印Lx，我得到： Lx 0.0000 0.0000 0.0

1熱度

1回答

過濾出微弱的sobel過濾器行嗎？

我使用skimage到創作者與此類似索貝爾過濾器的圖片我想知道有沒有辦法磨礪這個索貝爾濾波器的形象？要說，除去像氣球后面微弱線條那樣更微弱的白線？我使用Skimage來做到這一點，但我可以訪問OpenCV等其他東西。我的代碼專門爲... from skimage.filters import sobel elevation_map = sobel(img) plt.imshow(elev

1熱度

2回答

可視化python中的sobel梯度

我正試圖在Python中實現sobel運算符並將其可視化。但是，我正在努力如何做到這一點。我有以下代碼，它目前計算每個像素的漸變。 from PIL import Image import math def run(): try: image = Image.open("brick-wall-color.jpg") image = image.conv

1熱度

1回答

使用filter2D（OpenCV）做Sobel算子時，平方會引入很多噪音

我試圖手動實現sobel算子。出於某種原因，操作員的水平和垂直分量似乎有良好的結果，但組合圖像有很多噪音。我注意到當我做了像（imgv ** 2）** 0.5之類的東西時，即使理想情況下也會引入大量噪音，但我應該再次獲得大致相同的圖像。有人知道這裏發生了什麼嗎？我是否應該以不同的方式組合圖像？這裏是我的代碼在Python： import cv2 import numpy as np

2熱度

1回答

SciPy的Sobel邊緣檢測，提取外像素

試圖以外提取的像素和它自己的區域內的邊緣內，目前我正在申請的SciPy的Sobel濾波器是這樣的： im = scipy.misc.imread(filename) im = im.astype('int32') dx = ndimage.sobel(im, axis=0) dy = ndimage.sobel(im, axis=1) mag = np.hypot(dx, dy) ma

0熱度

2回答

opencv Sobel算子是否計算相關性？

opencv Sobel算子是否計算相關性，而不是卷積？我知道filter2D函數計算相關性，我只是發現了（從代碼的結果爲基礎），其Sobel算子也計算的相關性。這是預期的嗎？我在這裏錯過了什麼？ Mat sobelx, dest1,dest2; Sobel(src, sobelx, src.depth(),1,0,3); imshow("Sobel filtered in x dir" ,

0熱度

2回答

sobel操作員如何工作

我讀了https://en.wikipedia.org/wiki/Sobel_operator 說，我們要檢測灰度圖像中的水平邊緣。請注意 - 我寫矩陣作爲行的序列。問題1）然後我應該取[1,0，-1; 2,0，-2; 1,0，-1]（來自G x =以上維基鏈接的矩陣* A）並且將其與給定圖像進行卷積。所以我會疊加[-1,0,1; -2,0,2; -1,0,1]（從矩陣的180度旋轉獲得）在