Python中的3D Sobel算法？

我正在尝试在python中计算3d sobel过滤器.我下面有一个很好的2d图像代码.

顺便说一句我的原始图像是uint8类型.

    preSobel = preSobel.astype('int32')
    dx = ndimage.sobel(preSobel, 0)  # horizontal derivative
    dy = ndimage.sobel(preSobel, 1)  # vertical derivative
    mag = numpy.hypot(dx, dy)  # magnitude
    mag *= 255.0 / numpy.max(mag)  # normalize (Q&D)
    img[i,:,:]=mag

但是根据我对用于计算2d的wiki page的理解,我应该将1d sobel结果乘以,而不是hypot：confused

无论如何,要转到3d,我想我需要在每个轴上计算1d sobel,然后将其相乘,但我不确定…那里是否有任何库可以更快地计算3d sobel？

解决方法:

首先,参考您的wikipedia link：乘法是指构造sobel卷积核的方法,而不是最终结果.

对于2D sobel滤波器,您需要一个内核来获取x方向的导数,另一个内核来获取Y方向的导数,例如

本质上,这是您的两个命令所执行的操作,因此,如果您使用的是numpy,则无需自己构造这些内核.

dx = ndimage.sobel(preSobel, 0)  # horizontal derivative
dy = ndimage.sobel(preSobel, 1)  # vertical derivative

现在,对于3D情况,您需要3种操作和3个内核,其中1个用于dx,dy,dz.
链接的Wiki部分告诉您如何通过乘以组件来构造内核.例如,用于dZ的成品sobel内核是一个3x3x3矩阵,如下所示：

要获得幅度,您仍然必须随后取平方导数(斜边)的平方根.

我没有numpy,但据我从the documentation得知,ndimage sobel命令可以处理任意数量的维,因此,再次提供了内核：

dx = ndimage.sobel(your3Dmatrix, 0)  # x derivative
dy = ndimage.sobel(your3Dmatrix, 1)  # y derivative
dz = ndimage.sobel(your3Dmatrix, 2)  # z derivative

现在,斜边命令可能仅包含两个参数,因此您将不得不寻找另一种有效计算mag = sqrt(dxdx dydy dz * dz)的方法.
但是NumPy应该拥有您所需的一切.

更新资料

实际上,如果您只对幅度感兴趣,则there is a complete function in numpy for this：

 mag = generic_gradient_magnitude(your3Dmatrix, sobel)

标签：image-processing,computer-vision,python,numpy
来源： https://codeday.me/bug/20191101/1981421.html