Prewitt 滤波器对图像进行边缘检测

一. Prewitt滤波器简介

        Prewitt是一种常用的检测图像边缘的滤波器，它分为横向和纵向算子，分别用于检测纵向和横向的边缘（注意：横向形式的滤波器检测图像的纵向边缘，纵向形式的滤波器检测图像的横向边缘）。

横向Prewitt滤波器（检测纵向边缘） ↑

 

纵向Prewitt滤波器（检测横向边缘） ↑

 

---

二. Prewitt滤波器和Sobel滤波器比较

        注意比较记忆 Prewitt 滤波器和 Sobel 滤波器，它们在形式和功能上十分相近，Sobel滤波器的算子如下两图：

Sobel 纵向算子，提取图像横向边缘 ↑  

 

Sobel 横向算子，提取图像纵向边缘 ↑

 

---

三. 实验：实现 Prewitt 算子并用算子对图像进行边缘检测

import cv2

import numpy as np

# prewitt filter

def prewitt_filter(img, K_size=3):

    H, W = img.shape

    # Zero padding

    pad = K_size // 2

    out = np.zeros((H + pad * 2, W + pad * 2), dtype=np.float)

    out[pad: pad + H, pad: pad + W] = img.copy().astype(np.float)

    tmp = out.copy()

    out_v = out.copy()

    out_h = out.copy()

    ## prewitt vertical kernel

    Kv = [[-1., -1., -1.],[0., 0., 0.], [1., 1., 1.]]

    ## prewitt horizontal kernel

    Kh = [[-1., 0., 1.],[-1., 0., 1.],[-1., 0., 1.]]

    # filtering

    for y in range(H):

        for x in range(W):

            out_v[pad + y, pad + x] = np.sum(Kv * (tmp[y: y + K_size, x: x + K_size]))

            out_h[pad + y, pad + x] = np.sum(Kh * (tmp[y: y + K_size, x: x + K_size]))

    out_v = np.clip(out_v, 0, 255)

    out_h = np.clip(out_h, 0, 255)

    out_v = out_v[pad: pad + H, pad: pad + W].astype(np.uint8)

    out_h = out_h[pad: pad + H, pad: pad + W].astype(np.uint8)

    return out_v, out_h

# Read Gray image

img = cv2.imread("../paojie_g.jpg",0).astype(np.float)

# prewitt filtering

out_v, out_h = prewitt_filter(img, K_size=3)

# Save result

cv2.imwrite("out_v.jpg", out_v)

cv2.imshow("result_v", out_v)

cv2.imwrite("out_h.jpg", out_h)

cv2.imshow("result_h", out_h)

cv2.waitKey(0)

cv2.destroyAllWindows()

---

四. 实验结果：

原图 ↑

 

Prewitt 横向算子滤波结果(过滤得到纵向边缘) ↑

 

Prewitt 纵向算子滤波结果(过滤得到横向边缘) ↑

 

        我同时用同样大小的 Sobel算子 对同样图像进行了边缘检测，结果如下：

Sobel 横向算子滤波结果(过滤得到纵向边缘) ↑  

 

Sobel 纵向算子滤波结果(过滤得到横向边缘) ↑    

 

        从实验结果，我们可以观察到，对比使用 Sobel算子 和 Prewitt算子 进行图像边缘检测 ，Sobel滤波器能够获得更加清晰明亮的边缘。

---

五. 参考内容：

　　https://www.jianshu.com/p/53ac8ffda399