Неожиданный вывод Opencv для оператора Sobel

Ваш метод applySobel ожидает изображение в градациях серого (одноканальное) в качестве входных данных, но вы используете lab (3-канальное изображение) в качестве входных данных, которые будут применять фильтрацию Собеля ко всем 3 каналам. Неожиданный результат возникает из-за того, что plt.imshow интерпретирует Lab-каналы, отфильтрованные Собелем, как RGB-каналы вашего изображения.

Он работает так, как задумано, если вместо этого вы используете только l, a или b (или другой метод преобразования Lab в серый). Однако результат не будет бинарным. Чтобы сделать его двоичным, вы можете применить порог (используя cv2.threshold(img, threshold, max_value, cv2.THRESH_BINARY). Вот пример:

import cv2
import numpy as np
from matplotlib import pyplot as plt
from skimage.io import imread


def applySobel(gray):
    sobelx = cv2.Sobel(gray, cv2.CV_64F, 1, 0, ksize=3)
    sobely = cv2.Sobel(gray, cv2.CV_64F, 0, 1, ksize=3)
    abs_sobelx = np.absolute(sobelx)
    abs_sobely = np.absolute(sobely)
    return abs_sobelx + abs_sobely


# Load the image (RGB)
img = imread('https://i.stack.imgur.com/qN2ta.jpg')

# Convert to Lab and split channels
lab = cv2.cvtColor(img, cv2.COLOR_RGB2LAB)
l, a, b = cv2.split(lab)

# Plot image of Lab-channels
plt.title('L, a, and b channel')
plt.imshow(np.hstack([l, a, b]), cmap='gray')
plt.show()

# Apply Sobel to L-channel (the other channels have low contrast)
l_sobel = applySobel(l)

# Plot result
plt.title('Sobel-filtered L-channel')
plt.imshow(l_sobel, cmap='gray')
plt.show()

# Make result binary by applying a threshold
sobel_thresh = np.uint8(cv2.threshold(l_sobel, 500, 255, cv2.THRESH_BINARY)[1])

# Plot binary result
plt.title('Thresholded Sobel-filtered L-channel')
plt.imshow(sobel_thresh, cmap='gray')
plt.show()

В результате получаются следующие изображения:

Фильтр Собеля используется для обнаружения краев, поэтому он выделяет только края, а не целые полосы. Поэтому, если ваша цель — выделить полосы целиком, прямая пороговая установка L-канала будет более эффективной:

# Directly threshold L-channel and plot
plt.imshow(cv2.threshold(l, 220, 255, cv2.THRESH_BINARY)[1], cmap='gray')
plt.show()

Результат:

Также обратите внимание, что вы не можете напрямую использовать np.hstack для объединения 3-канальных изображений с изображениями в градациях серого/двоичными изображениями из-за разных размеров. Сначала используйте np.stack((img,) * 3, axis=-1) для преобразования одноканальных изображений в трехканальные изображения.

• Функция np.hstack не изменяет ваши данные, но изменяет способ отображения изображений. Если вы объедините изображения из разных диапазонов в один массив, функция imshow автоматически масштабируется до максимального диапазона. Вот почему у вас есть разница, когда вы отображаете только одно или несколько изображений.
• The Sobel function that you designed is proper but:
  • It will be applied to all channels of your lab array. Maybe you would rather like to apply it only on the l channel. But if you check separately the range of l, a and b, you will notice that the intensity there is quite different.
  • Когда вы отображаете результат sobel, imshow автоматически предполагает, что 3 канала, которые вы даете, являются данными RGB, поэтому у вас есть это странное изображение.
  • Если вы просто отобразите plt.imshow(sobel[:, :, 0]), вы получите результаты фильтра Собеля, то есть контуры.
  • Если вы стремитесь получить полосы, а не контуры, вам, вероятно, придется использовать в основном интенсивность, а не контуры.
• Я бы посоветовал вам взглянуть на алгоритмы github для обнаружения полос глубокого обучения, такие алгоритмы могут превзойти то, что вы можете сделать с помощью простых операторов. Часто репозитории совместно используют модели, и запустить модель несложно.