Question

我正在尝试将Sobel运算符应用于简单的二进制图像，但最终的梯度却被翻转了（与scipy的signal.convolve2d函数的输出进行比较时。

from scipy import signal
import numpy as np
import matplotlib.pyplot as plt


def sobelx_homemade(arr, kx):
    offset = 1
    sx = np.zeros(arr.shape)
    for y in range(offset, arr.shape[0] - offset):
        for x in range(offset, arr.shape[1] - offset):
            rstart, rend = y-offset, y+offset+1
            cstart, cend = x-offset, x+offset+1
            w = arr[rstart:rend, cstart:cend]
            Ix = kx * w
            sx[y, x] = Ix.sum()
    return sx

A = np.array([[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
                   [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
                   [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
                   [0, 0, 0, 1, 1, 1, 1, 1, 1, 0, 0, 0],
                   [0, 0, 0, 1, 1, 1, 1, 1, 1, 0, 0, 0],
                   [0, 0, 0, 1, 1, 1, 1, 1, 1, 0, 0, 0],
                   [0, 0, 0, 1, 1, 1, 1, 1, 1, 0, 0, 0],
                   [0, 0, 0, 1, 1, 1, 1, 1, 1, 0, 0, 0],
                   [0, 0, 0, 1, 1, 1, 1, 1, 1, 0, 0, 0],
                   [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
                   [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
                   [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]])


kx = np.array([
    [-1, 0, 1],
    [-2, 0, 2],
    [-1, 0, 1]
], dtype=np.float)

ky = np.array([
    [1, 2, 1], 
    [0, 0, 0], 
    [-1, -2, -1]
], dtype = np.float)

Gx = signal.convolve2d(A, kx, boundary='symm', mode='same')
Gy = signal.convolve2d(A, ky, boundary='symm', mode='same')

# calculate homemade sobel x gradient
myGx = sobelx_homemade(A, kx)

plt.subplot(131)
plt.title("Original")
plt.imshow(A, cmap="gray")
plt.subplot(132)
plt.title("Gx")
plt.imshow(Gx, cmap="gray")
plt.subplot(133)
plt.title("My Gx")
plt.imshow(myGx, cmap="gray")

我希望标有“ Gx”和“ My Gx”的图像完全相同。

Answer 1

因此，事实证明， true 卷积会翻转内核/过滤器矩阵，从而解释了翻转的结果。

这是安德鲁·伍（Andrew Ng）的视频，解释了教科书卷积和互相关在机器学习风格图像处理中常用的区别： https://youtu.be/tQYZaDn_kSg?t=308

将numpy中的Sobel运算符应用于简单的二进制图像

1 个答案: